論文の概要: opML: Optimistic Machine Learning on Blockchain

• arxiv url: http://arxiv.org/abs/2401.17555v2
• Date: Mon, 5 Feb 2024 05:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 12:08:11.108282
• Title: opML: Optimistic Machine Learning on Blockchain
• Title（参考訳）: opML: ブロックチェーン上での最適機械学習
• Authors: KD Conway, Cathie So, Xiaohang Yu, Kartin Wong,
• Abstract要約: opML(Optimistic Machine Learning on chain)は、ブロックチェーンシステムにAIモデル推論を強制する革新的なアプローチである。 opMLには、楽観的なロールアップシステムを思い出させる、インタラクティブな不正証明プロトコルがある。 opMLは、最小限の参加要件で、コスト効率が高く、高効率なMLサービスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of machine learning with blockchain technology has witnessed increasing interest, driven by the vision of decentralized, secure, and transparent AI services. In this context, we introduce opML (Optimistic Machine Learning on chain), an innovative approach that empowers blockchain systems to conduct AI model inference. opML lies a interactive fraud proof protocol, reminiscent of the optimistic rollup systems. This mechanism ensures decentralized and verifiable consensus for ML services, enhancing trust and transparency. Unlike zkML (Zero-Knowledge Machine Learning), opML offers cost-efficient and highly efficient ML services, with minimal participation requirements. Remarkably, opML enables the execution of extensive language models, such as 7B-LLaMA, on standard PCs without GPUs, significantly expanding accessibility. By combining the capabilities of blockchain and AI through opML, we embark on a transformative journey toward accessible, secure, and efficient on-chain machine learning.
• Abstract（参考訳）: マシンラーニングとブロックチェーンテクノロジの統合は、分散化、セキュア、透過的なAIサービスのビジョンによって、関心が高まっているのを目撃している。 この文脈では、ブロックチェーンシステムがAIモデル推論を実行するための革新的なアプローチであるopML(Optimistic Machine Learning on chain)を導入します。 opMLには、楽観的なロールアップシステムを思い出させる、インタラクティブな不正証明プロトコルがある。 このメカニズムにより、MLサービスに対する分散的で検証可能なコンセンサスが保証され、信頼性と透明性が向上する。 zkML(Zero-Knowledge Machine Learning)とは異なり、opMLはコスト効率と高効率のMLサービスを提供し、参加要件は最小限である。 注目すべきは、GPUのない標準PC上で7B-LLaMAのような広範な言語モデルの実行を可能にし、アクセシビリティを大幅に拡張することである。 opMLを通じてブロックチェーンとAIの能力を組み合わせることで、アクセスしやすく、セキュアで、効率的なオンチェーン機械学習に向けた変革的な旅を開始します。

関連論文リスト

• Large Language Models for Base Station Siting: Intelligent Deployment based on Prompt or Agent [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 このアプローチは、人間の経験と知識をこれらの洗練されたLLMに注入するために、巧妙なプロンプトの戦略的利用を必要とする。 この統合は、サービスとしての人工知能(AI)と、より容易なAIの将来のパラダイムを表している。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• TDML -- A Trustworthy Distributed Machine Learning Framework [7.302091381583343]
  大規模モデル(LM)の急速な進歩は、計算資源の需要を増大させた。 この需要は、サプライチェーンの遅延と大手テック企業による独占的な買収により、可用性の限界によって悪化している。 本稿では、リモートトレーナーのコーディネートとワークロードの検証にガイダンスを活用する、テキスト信頼に値する分散機械学習(TDML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-10T03:22:28Z)
• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• Federated TrustChain: Blockchain-Enhanced LLM Training and Unlearning [22.33179965773829]
  大規模言語モデル(LLM)のためのブロックチェーンベースの新しいフェデレーション学習フレームワークを提案する。 我々のフレームワークはブロックチェーン技術を活用して、各モデルのコントリビューションの改ざん防止記録を作成し、フェデレートされた学習メカニズムをシームレスに統合する革新的なアンラーニング機能を導入しています。
  論文  参考訳（メタデータ） (2024-06-06T13:44:44Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• BasedAI: A decentralized P2P network for Zero Knowledge Large Language Models (ZK-LLMs) [0.0]
  BasedAIは、FHE(Fully Homomorphic Encryption)とLLM(Land Language Model)を統合したマシンの分散ネットワークである。 提案されたフレームワークは、"Cerberus Squeezing"と呼ばれるデフォルトのメカニズムをマイニングプロセスに組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-01T22:10:15Z)
• opp/ai: Optimistic Privacy-Preserving AI on Blockchain [0.0]
  これらの問題の先駆的なソリューションとして、最適化プライバシ保護AI(opp/ai)フレームワークが導入されている。 このフレームワークはプライバシーのためのZero-Knowledge Machine Learning (zkML)と効率のためのOptimistic Machine Learning (opML)を統合している。 そこで本研究では,zkMLのプライバシ機能に関するopp/aiフレームワークを提案するとともに,さまざまなシナリオにおけるフレームワークのパフォーマンスと適応性を評価する。
  論文  参考訳（メタデータ） (2024-02-22T22:54:41Z)
• Machine Vision Therapy: Multimodal Large Language Models Can Enhance Visual Robustness via Denoising In-Context Learning [67.0609518552321]
  本稿では,視覚モデルからノイズ予測を補正するマシンビジョンセラピーを提案する。 復調ラベルを微調整することにより、教師なしの方法で学習モデルの性能を高めることができる。
  論文  参考訳（メタデータ） (2023-12-05T07:29:14Z)
• BC4LLM: Trusted Artificial Intelligence When Blockchain Meets Large Language Models [6.867309936992639]
  大規模言語モデル(LLM)は、AIGC(AIGC)という形で人々にサービスを提供する。 AIGC学習データの信頼性と信頼性を保証することは困難である。 分散AIトレーニングには、プライバシ開示の危険性も隠されている。
  論文  参考訳（メタデータ） (2023-10-10T03:18:26Z)
• Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
  Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。 我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
  論文  参考訳（メタデータ） (2020-04-08T16:29:19Z)

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。