論文の概要: PredictChain: Empowering Collaboration and Data Accessibility for AI in
a Decentralized Blockchain-based Marketplace
- arxiv url: http://arxiv.org/abs/2307.15168v1
- Date: Thu, 27 Jul 2023 19:56:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 14:32:42.931589
- Title: PredictChain: Empowering Collaboration and Data Accessibility for AI in
a Decentralized Blockchain-based Marketplace
- Title（参考訳）: PredictChain: 分散型ブロックチェーンベースのマーケットプレースにおけるAIのコラボレーションとデータアクセシビリティの強化
- Authors: Matthew T. Pisano and Connor J. Patterson and Oshani Seneviratne
- Abstract要約: 予測機械学習モデルのためのブロックチェーンベースのマーケットプレース"PredictChain"を提案する。
このマーケットプレースは、予測機械学習モデルをトレーニングするためのデータセットのアップロード、以前にアップロードされたデータセットの要求モデルトレーニング、トレーニングされたモデルへのクエリの提出を可能にする。
- 参考スコア（独自算出の注目度）: 1.4364491422470593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Limited access to computing resources and training data poses significant
challenges for individuals and groups aiming to train and utilize predictive
machine learning models. Although numerous publicly available machine learning
models exist, they are often unhosted, necessitating end-users to establish
their computational infrastructure. Alternatively, these models may only be
accessible through paid cloud-based mechanisms, which can prove costly for
general public utilization. Moreover, model and data providers require a more
streamlined approach to track resource usage and capitalize on subsequent usage
by others, both financially and otherwise. An effective mechanism is also
lacking to contribute high-quality data for improving model performance. We
propose a blockchain-based marketplace called "PredictChain" for predictive
machine-learning models to address these issues. This marketplace enables users
to upload datasets for training predictive machine learning models, request
model training on previously uploaded datasets, or submit queries to trained
models. Nodes within the blockchain network, equipped with available computing
resources, will operate these models, offering a range of archetype machine
learning models with varying characteristics, such as cost, speed, simplicity,
power, and cost-effectiveness. This decentralized approach empowers users to
develop improved models accessible to the public, promotes data sharing, and
reduces reliance on centralized cloud providers.
- Abstract（参考訳）: コンピューティングリソースやトレーニングデータへの限られたアクセスは、予測機械学習モデルのトレーニングと活用を目指す個人やグループにとって大きな課題となる。
多くの機械学習モデルが存在するが、それらはしばしばホストされていないため、エンドユーザーが計算基盤を確立する必要がある。
あるいは、これらのモデルは有料のクラウドベースのメカニズムを通してのみアクセス可能であり、一般利用に費用がかかることを証明できる。
さらに、モデルとデータプロバイダは、リソース使用を追跡するためのより合理化されたアプローチを必要とします。
効果的なメカニズムは、モデルパフォーマンスを改善するための高品質なデータも提供できない。
これらの問題に対処するために,予測機械学習モデルのためのブロックチェーンベースのマーケットプレース"predictchain"を提案する。
このマーケットプレースは、予測機械学習モデルをトレーニングするためのデータセットのアップロード、以前にアップロードされたデータセットの要求モデルトレーニング、トレーニングされたモデルへのクエリの提出を可能にする。
利用可能なコンピューティングリソースを備えたブロックチェーンネットワーク内のノードは、これらのモデルを運用し、コスト、スピード、シンプルさ、パワー、コスト効率など、さまざまな特性を持つ、さまざまな古型機械学習モデルを提供する。
この分散アプローチによって、ユーザには、パブリックにアクセス可能な改良されたモデルの開発、データ共有の促進、集中型クラウドプロバイダへの依存の軽減が可能になる。
関連論文リスト
- Update Selective Parameters: Federated Machine Unlearning Based on Model Explanation [46.86767774669831]
モデル説明の概念に基づく、より効率的で効率的なフェデレーション・アンラーニング・スキームを提案する。
我々は、未学習のデータに対して、すでに訓練済みのモデルの中で最も影響力のあるチャネルを選択します。
論文 参考訳（メタデータ） (2024-06-18T11:43:20Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。
スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
論文 参考訳（メタデータ） (2023-06-05T18:17:37Z) - iDML: Incentivized Decentralized Machine Learning [16.31868012716559]
我々は、完全に分散化され、機会論的学習アーキテクチャのための、ブロックチェーンベースの新しいインセンティブメカニズムを提案する。
我々は、エンドデバイスへの明確なインセンティブを提供するだけでなく、学習アーキテクチャの振る舞いを検査し、反映する完全に分散化されたメカニズムを構築するために、スマートコントラクトを活用しています。
論文 参考訳（メタデータ） (2023-04-10T17:28:51Z) - On-device Training: A First Overview on Existing Systems [8.0653715405809]
リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。
この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
論文 参考訳（メタデータ） (2022-12-01T19:22:29Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳（メタデータ） (2022-10-11T10:20:31Z) - Learnware: Small Models Do Big [69.88234743773113]
自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。
この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
論文 参考訳（メタデータ） (2022-10-07T15:55:52Z) - Integration of a machine learning model into a decision support tool to
predict absenteeism at work of prospective employees [0.0]
失業による生産性の低下は、アメリカの雇用主が毎年何十億ドルもの損失を被った。
本研究は、潜在的な従業員の不在を予測するための意思決定支援ツールを開発することを目的とする。
論文 参考訳（メタデータ） (2022-02-02T03:49:01Z) - A Marketplace for Trading AI Models based on Blockchain and Incentives
for IoT Data [24.847898465750667]
機械学習(ML)の新たなパラダイムは、学習モデルを異種エージェントのグループに部分的に配信するフェデレートされたアプローチであり、エージェントは自身のデータでモデルをローカルにトレーニングすることができる。
モデルの評価の問題や、協調トレーニングやデータ/モデルの取引に対するインセンティブの問題は、文献において限られた扱いを受けてきた。
本稿では、信頼されたMLベースのネットワーク上でのMLモデルトレーディングの新しいエコシステムを提案する。買い手はML市場から関心のモデルを取得することができ、興味のある売り手はそのモデルの品質を高めるためにローカルな計算に費やす。
論文 参考訳（メタデータ） (2021-12-06T08:52:42Z) - Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。
生徒は、合成された入力データを通じて教師の出力を訓練する。
その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
論文 参考訳（メタデータ） (2021-02-01T14:38:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。