DaiMoN：一种去中心化人工智能模型网络

我们介绍DaiMoN，一种去中心化人工智能模型网络，其激励同伴协作以提升针对给定分类问题的机器学习模型准确率。它是一个自治网络，同伴可提交准确率提升的模型，其他同伴可验证该准确率提升。系统维护一个仅追加的去中心化账本以记录关键信息，包括谁训练了模型并提升了其准确率、何时提升、提升多少以及何处获取新更新模型。DaiMoN以加密代币奖励这些贡献同伴。DaiMoN的一个主要特征是允许同伴在不知晓测试标签的情况下验证所提交模型的准确率提升。这是缓解模型改进同伴有意过拟合的必备组件。为实现这种带隐藏测试标签的模型准确率评估，DaiMoN使用了本文提出的新型可学习标签距离嵌入（DEL）函数。针对每个测试数据集，DEL通过将测试标签向量嵌入低维空间进行扰乱，同时近似保持该数据集测试标签向量与分类器推断的标签向量间距离。因此，它允许同伴在不提供真实测试标签访问权的情况下进行改进证明（PoI）。我们提供分析与经验证据，表明在DEL下同伴可准确评估模型准确率。我们还论证该嵌入函数难以反演，故DEL能抵御旨在恢复测试标签以作弊的攻击。我们的DaiMoN原型实现见 https://github.com/steerapi/daimon。