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。
金色晚报 | 6月24日晚间重要动态一览:12:00-21:00关键词：Filecoin、美国国土安全部、瑞典央行
1.Filecoin测试网奖励计划准备工作预计将于7月6日完成。
2.Circle宣布支持Algorand区块链上的USDC。
3.美国国土安全部SVIP将继续资助区块链防伪项目。
4.新加坡金管局：一直在探索利用批发型央行数字货币。
5.韩国科学技术信息通讯部发布区块链战略 将在七个领域引入区块链。
6.瑞典央行发布央行CBDC研究报告讨论瑞典克朗电子版不同模式。
7.FATF全体会议议题：向G20提交稳定币报告。
8.杭州征集首批包括区块链在内的金融科技创新监管试点应用项目。
9.美国最高法院限制SEC对金融犯罪的处罚将对加密局产生影响。
10.比特币下跌，日内最高报9694.33美元，最低报9283美元。[2020/6/24]
多方计算网络
金色财经行情播报丨BTC多头反击，均线MA5承压:据火币行情显示，今日凌晨BTC下探8700USDT后多头反击开始反弹，随后小幅上行蓄势整理，16时再度拉升突破平台，多头发起反击。日线图均线MA5构成压力；4小时图多头蓄势，但价格距均线MA30较近，多头恐承压；1小时拉升后窄幅整理。截至18:30，主流币的具体表现如下：[2020/5/27]
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。
金色财经行情播报 | BTC下探回升，日线MA5构成支撑:据火币行情显示，今日BTC行情下探回升，上午最低探至9250USDT，随后震荡回升。从日线图看，均线MA5构成支撑助力反弹。4小时图局部保持底比底高趋势，局部行情虽然调整需求还未完全消化，但多头仍有反击后劲。截至18:30，火币平台的主流币的具体表现如下。[2020/5/15]
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。
去中心化存储网络
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。
金色相对论 | William：BTC和原油有联动性其实是系统性危机造成的:在今日举行的《危机向左，信仰向右》的比特币减半特辑之行情篇的直播中，针对“BTC和美股以及原油产生联动的深层原因是什么”的问题，OKEx研究院首席研究员William表示，想真正衡量一项资产是否是避险资产，主要是看其波动率是否足够小，目前主要的避险工具有黄金、国债。如果大家去仔细统计数据，会发现黄金和国债的波动率都比较小，而比特币的波动率冠绝全球，这样的高波动率资产，怎么能称为避险资产？很多人把比特币因通缩带来的抗通胀属性视为比特币避险的证据。要理解3月全球流动性危机期间比特币暴跌的原因，首先需要解释一下流动性的相关问题，很多人都很简单地把流动性不足归结为货币性资产的量不足，实际上，流动性不足还与人们的风险偏好、预期收益有关。这也是为什么美联储在进行了长达近十年的量化宽松政策后，本轮危机一爆发，全球从流动性过剩迅速转变为流动性不足的原因所在，这也是我们要理解为什么比特币会发生暴跌的根本，比特币并非避险资产，而是一种高风险的另类投资资产。当流动性异常紧缺时，比特币作为高风险另类投资资产，资金自然会从中抽走以寻求更安全、流动性更好的资产，价格即出现暴跌。BTC和美股以及原油产生联动的原因，两者发生联动，其实还是受系统性危机的影响，即我们前面所提到的3月爆发的流动性危机，目前比特币还是一个比较小众的市场，其市值甚至没有美股Apple一家公司的市值高，更重要的是，目前加密数字货币并未纳入全球主要机构投资者的资产配置池中，所以在正常情况下比特币和美股、原油价格并不会产生联动。所以两者表面上看起来有联动性，其实是系统性危机造成的。[2020/5/12]
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。
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。