PaddleDTX是一个基于分布式存储的分布式机器学习技术解决方案。可以解决海量私有数据需要的安全存储和交换难题，可恶意帮助各方突破数据孤岛，实现数据价值最大化。
PaddleDTX的计算层是一个由三种节点组成的网络：Requester、Executor和DataOwner。训练样本和预测数据集存储在由DataOwner和Storage节点组成的去中心化存储网络中。这种去中心化的存储网络和计算层由底层区块链网络支持。
Web3技能招聘平台CV Wallet完成110万美元天使轮融资:金色财经报道，Web3 技能招聘平台 CV Wallet 宣布以 700 万美元估值完成 110 万美元天使轮融资，该公司旨在通过 Web3 和人工智能技术创建一个更公平、更高效和值得信赖的招聘生态系统，并且利用 Web3 技术来验证简历内容真实性并保持招聘过程的诚实性。（bmmagazine）[2023/4/25 14:26:05]
多方计算网络
Requester是有预测需求的一方，Executor是DataOwner授权获得样本数据访问许可的一方，用于可能的模型训练和结果预测。多个Executor节点组成一个SMPC网络。Requester节点将任务发布到区块链网络，Executor节点授权后执行任务。Executor节点通过DataOwner获取样本数据，后者为数据的信任背书。
链上数据显示币安储户在CFTC起诉后逃离:金色财经报道，在美国监管机构起诉币安及其创始人赵长鹏的消息传出后，币安用户周一从交易所撤回了大量加密货币。根据区块链分析公司Nansen的数据，在过去24小时内，币安在以太坊上的净流出4亿美元。相比之下，过去7天的净流量为20亿美元。截至发稿时，被Nansen视为“聪明钱”运营商的精明交易员在过去24小时内也从Binance撤走了900万美元。
链上运动凸显了加密货币交易者在不确定的监管环境中的不安。此外，周一，BUSD稳定币的前发行人Paxos在过去四个小时内销毁了超过1.55亿美元的BUSD（占流通供应量的2%）。[2023/3/28 13:30:12]
SMPC网络是支持并行运行的多个分布式学习过程的框架。未来将支持垂直联邦学习和水平联邦学习算法。
纽约监管机构正在调查稳定币发行人Paxos:金色财经报道，纽约金融服务部 (NYDFS) 正在调查稳定币发行商 Paxos。调查的全部范围尚不清楚。Paxos 的稳定币包括 Pax Dollar (USDP) 和 Binance USD (BUSD)，这是一种通过白标服务提供的 Binance 品牌稳定币。NYDFS 发言人表示，该机构无法对正在进行的调查发表评论。纽约州监管机构正在进行的一项调查表明，这家于 2021 年从 OCC获得临时银行牌照的公司确实受到了比同行更严格的审查。Paxos 还持有 NYDFS 颁发的BitLicenses虚拟货币许可证。
金色财经此前消息，NYDFS 在2022年 6 月发布了稳定币指南，指示发行人确保其稳定币得到与发行人资金隔离并定期证明的资产的充分支持。该指南是在 Terra/Luna 稳定币生态系统崩溃后发布的，重点关注资产支持的稳定币。[2023/2/10 11:58:12]
去中心化存储网络
抵押品清算协议 Kujira Network 已上线铸造美元稳定币 USK 的公共测试网:金色财经消息，抵押品清算协议 Kujira Network 已上线铸造美元稳定币 USK 和 ORCA 清算的公共测试网，用户可在上面铸造 USK 并在 ORCA 上对清算抵押品进行竞标。
此前报道，Kujira Network 发布超额抵押的 Cosmos 生态稳定币 USK，最初由 ATOM 提供支持（后续将添加 KUJI）。[2022/8/21 12:38:45]
一个DataOwner节点处理自己的私有数据，在这个过程中使用了加密、分段和复制相关的算法，最后将加密的分片分发到多个Storage节点。Storage节点通过回答DataOwner产生的挑战来证明它诚实地持有数据片段。通过这些机制，可以在不侵犯任何数据隐私的情况下安全地维护存储资源。
区块链网络
训练任务和预测任务将通过区块链网络广播到Executor节点。然后所涉及的Executor节点将执行这些任务。DataOwner节点和Storage节点在监控文件和节点健康状态时，以及副本持有证明的challenge-answer-verify过程中，通过区块链网络交换信息。
目前，XuperChain是PaddleDTX支持的唯一区块链框架。
垂直联邦学习
PaddleDTX的开源版本支持垂直联邦学习算法，包括两方线性回归、两方逻辑回归和三方DNN。DNN的实现依赖于PaddleFL框架，PaddleFL提供的所有神经网络模型都可以在PaddleDTX中使用。未来更多算法会开源，包括多方VFL和多方HFL算法。
训练和预测步骤如下所示：
运作原理
样品准备
FL任务需要指定将用于计算或预测的示例文件，这些文件存储在去中心化存储系统中。在执行任务之前，执行者需要从XuperDB中获取自己的示例文件。
样品对齐
VFL训练和预测任务都需要样本对齐过程。即使用所有参与者的ID列表查找样本交叉点。训练和预测是在相交的样本上进行的。该项目实施了PSI来进行样本对齐，而不会泄露任何参与者的ID。
训练过程
模型训练是一个迭代过程，它依赖于两个奇偶校验样本的协同计算。参与者需要在许多训练时期交换中间参数，以便为每一方获得适当的局部模型。
为确保每个参与者数据的机密性，Paillier密码系统用于参数加密和解密。Paillier是一种加法同态算法，它使我们能够直接对密文进行加法或标量乘法。
预测过程
预测任务需要模型，因此需要在预测任务开始前完成相关的训练任务。模型单独存储在参与者的本地存储中。参与者使用自己的模型计算局部预测结果，然后收集所有部分预测结果以推导出最终结果。
对于线性回归，可以在收集所有部分结果后执行去标准化过程。这个过程只有有标签的一方才能完成。所以所有的部分结果都会被发送给有标签的一方，它会推导出最终结果并将其作为文件存储在XuperDB中供请求者使用。
来源：金色财经
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。