基于区块链的分散式协作人工智能模型分析

机器学习近来在人工智能领域取得了巨大进展，但这些成果可能高度集中。所需的大型数据集通常是专有的；预测常按次查询出售；已发布的模型若不加努力获取更多数据并维护，便会迅速过时。已发布的针对特定任务免费提供模型与数据的提案包括微软研究院的基于区块链的分散式协作人工智能（Decentralized and Collaborative AI on Blockchain）。该框架允许参与者协作构建数据集，并利用智能合约在公共区块链上共享持续更新的模型。初始提案概述了框架，省略了所用模型与真实场景激励机制的诸多细节。在本工作中，我们评估了若干模型与配置的使用，以在使用自评估（Self-Assessment）激励机制时提出最佳实践，使模型保持准确，且提交正确数据的善意参与者有机会获利。我们分析了三种模型（感知机、朴素贝叶斯与最近质心分类器）在三种不同数据集上的模拟：利用 Endomondo 用户活动预测一项运动、IMDB 影评情感分析、以及判断新闻文章是否为假新闻。我们比较了各数据集在模型托管于公共区块链智能合约时的若干因素：随时间变化的准确率、好用户与坏用户的余额，以及部署、更新、收回退款与领取奖励的交易成本（或 gas）。针对以太坊区块链的免费开源实现及用 Python 编写的模拟代码见 https://github.com/microsoft/0xDeCA10B。此版本使用原发表后编写的较新优化更新了 gas 成本。