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。
金色午报 | 11月4日午间重要动态一览:7:00-12:00关键词：十四五规划、香港、日本、PayPal
1. 数字货币发展写入十四五规划“稳妥推进数字货币研发”；
2. 香港特区政府发布咨询文件建议建立虚拟资产服务提供者发牌制度；
3. 日本央行行长：现在没有计划发行数字货币
4. 疑似以太坊基金会成员发布Eth 2.0存款合约 但官方未见回应；
5. PayPal将在未来两到三周内向所有美国用户开放加密服务；
6. 观点：韩国监管机构加密新规可能迫使加密交易所关闭；
7. 近期有价值10亿美元比特币出现转移，而比特币地址与丝绸之路地址相关；
8. 广发银行通过跨境金融区块链平台办理业务金额达3.5亿元；
9. 三菱UFJ旗下区块链结算平台计划于2021年启动。[2020/11/4 11:36:48]
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（安全多方计算）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。
金色晨讯 | 9月17日隔夜重要动态一览:21:00-7:00关键词：雪崩协议、波卡、Kraken、美联储
1. 雪崩协议Avalanche将于9月21日上线主网;
2. 波卡代币发行与转账框架Polimec处于启动阶段 预计2021年8月上线首个项目;
3. Kraken将在怀俄明州开设银行;
4. 美联储将基准利率维持在0%-0.25%不变;
5. 美国众议员：DeFi代表另一种“货币哲学”;
6. 彭博社策略师：由于供应量固定及需求增长，BTC将继续升值；
7. BTC现报10979.79美元，加密货币总市值为3448.76亿美元。[2020/9/17]
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。
金色财经行情播报丨BTC昨日大幅拉升 多方已显后劲不足:据火币行情显示，昨日BTC大幅拉升，并在7100USDT和6900USDT之间震荡徘徊，1小时图形成局部小箱体并尝试突破。日线级别大箱体企稳，但多方已显后劲不足。BTC 4小时图连续收涨的极限一般是6根K线，目前已经接近。截至10:00，火币平台的主流币的具体表现如下：[2020/4/17]
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。
分析 | 金色盘面：ADA/USDT 大幅下跌 逼近前低:金色盘面综合分析：ADA/USDT在6小时K线图中MACD出现背离，我们看经过大幅调整后价格已经逼近前低，理论上这里的背离具备一定的参考价值，能否形成要看BTC夜盘表现了，做多应等待MACD金叉信号发出，并预设止损点。[2018/8/8]
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。
PaddleDTX 的开源版本支持垂直联邦学习（VFL）算法，包括两方线性回归、两方逻辑回归和三方 DNN（深度神经网络）。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（水平联邦学习）算法。
训练和预测步骤如下所示：
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（XuperDB）中。在执行任务之前，执行者（通常是数据所有者）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（Private Set Intersection）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。
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。