CN111753984A - 基于区块链进行分布式ai训练方法、装置及系统 - Google Patents

基于区块链进行分布式ai训练方法、装置及系统 Download PDF

Info

Publication number
CN111753984A
CN111753984A CN202010596577.9A CN202010596577A CN111753984A CN 111753984 A CN111753984 A CN 111753984A CN 202010596577 A CN202010596577 A CN 202010596577A CN 111753984 A CN111753984 A CN 111753984A
Authority
CN
China
Prior art keywords
training
evaluation
rules
model
management node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010596577.9A
Other languages
English (en)
Inventor
李增兴
李昀
廖旺胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010596577.9A priority Critical patent/CN111753984A/zh
Publication of CN111753984A publication Critical patent/CN111753984A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于区块链进行分布式AI训练方法、装置及系统，该系统包括：任务管理节点接收AI训练数据、训练规则、评价规则、评价排名规则和交易触发规则；基于AI训练数据或训练算法生成AI训练任务；多个参与方节点获取AI训练任务，根据训练规则训练AI训练数据，生成AI训练模型，对AI训练模型评价满足评价规则时，将AI训练模型提交；任务管理节点按照评价排名规则对多个AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。该方案基于区块链，通过多个参与方进行分布式训练，提高大众参与AI训练的积极性。

Description

基于区块链进行分布式AI训练方法、装置及系统
技术领域
本发明涉及AI训练技术领域，特别涉及一种基于区块链进行分布式AI训练方法、装置及系统。
背景技术
目前区块链的多种平台需要大量算力进行挖坑，浪费很多计算、网络资源，没有产生有用的价值。而人工智能AI技术也需要大量算力、存储和网络资源进行模型训练，目前的AI训练通常使用集中化的GPU等资源，未充分利用网络上的空闲计算资源，未能充分调动AI训练的积极性，且利用人工+测试进行AI模型评选，缺乏自动化和标准化。
发明内容
本发明实施例提供了一种基于区块链进行分布式AI训练方法、装置及系统，解决了现有技术中AI训练未充分利用网络上的空闲计算资源，未能充分调动AI训练的积极性、缺乏自动化和标准化的技术问题。
本发明实施例提供了一种基于区块链进行分布式AI训练系统，该系统包括：任务管理节点和多个参与方节点，任务管理节点和多个参与方节点构成一个区块链网络；
所述任务管理节点用于：接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
所述多个参与方节点用于：从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
所述任务管理节点还用于：按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
本发明实施例还提供了一种任务管理节点，包括：
数据接收模块，用于接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
训练任务生成模块，用于基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练结果接收模块，用于接收AI训练模型，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
评价排名模块，用于按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型；
交易触发模块，用于根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
本发明实施例还提供了一种参与方节点，包括：
数据获取模块，用于从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练模块，用于根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
评价模块，用于利用对应的评价规则对所述AI训练模型进行评价；
数据上传模块，用于当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
本发明实施例还提供了一种基于区块链进行分布式AI训练方法，包括：
任务管理节点接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
多个参与方节点从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
任务管理节点按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作；
其中，任务管理节点和多个参与方节点构成一个区块链网络。
本发明实施例还提供了一种基于区块链进行分布式AI训练方法，包括：
接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
接收AI训练模型，按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，其中，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
本发明实施例还提供了一种基于区块链进行分布式AI训练方法，包括：
从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
利用对应的评价规则对所述AI训练模型进行评价；
当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
在本发明实施例中，任务管理节点基于AI训练数据或训练算法生成AI训练任务，多个参与方节点从任务管理节点获得AI训练任务进行分布式训练，提供了AI训练的自动化，提高大众参与AI训练的积极性；对AI训练模型进行评价，提供了AI训练的标准化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于区块链进行分布式AI训练系统数据交互架构图；
图2是本发明实施例提供的一种任务管理节点结构框图；
图3是本发明实施例提供的一种参与方节点结构框图；
图4是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(系统角度)；
图5是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(任务管理节点角度)；
图6是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(参与方节点角度)。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，提供了一种基于区块链进行分布式AI训练系统，如图1所示，该系统包括：任务管理节点和多个参与方节点，任务管理节点和多个参与方节点构成一个区块链网络；
所述任务管理节点用于：接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法(比如深度神经网络算法、普通的训练算法等)生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
所述多个参与方节点用于：从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
所述任务管理节点还用于：按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
在本发明实施例中，评价规则可以是指的AI训练模型训练的准确率阈值，当AI训练模型的准确率超过准确率阈值时，表明该AI训练模型为好的训练模型，将其保留上传至任务管理节点上，若AI训练模型的准确率不超过准确率阈值时，表明该AI训练模型为不好的训练模型，参与方节点放弃该训练模型，不将其上传至任务管理节点上。
AI训练模型排名评价规则可以是准确率、对抗训练获胜排名等。当是准确率时，根据每个AI训练模型的准确率进行排序，获得准确率从大到小排序的AI训练模型。
交易触发规则可以是奖励交易信息，比如奖金/积分、发奖数、奖期等，按照AI训练模型的排名，对多个参与方节点进行相应的奖励。交易触发规则也可以包括购物信息，比如包括购物交易地址信息、购物金额信息、购物商品信息等，将所述购物信息发送至对应的参与方节点，触发参与方节点在该购物交易地址上进行相应的购物交易消费。
在本发明实施例中，所述任务管理节点还用于：接收评价阈值，基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
其中，评价阈值为准确率阈值，将准确率从大到小排序的AI训练模型与准确率阈值进行比较，获得准确率超过准确率阈值的从大到小排序的AI训练模型。
在本发明实施例中，所述多个参与方节点还用于：将所述AI训练模型进行签名后提交到所述任务管理节点上。
基于同一发明构思，本发明实施例中还提供了一种基于区块链进行分布式AI训练装置，即任务管理节点，如下面的实施例所述。
图2是本发明实施例的任务管理节点的结构框图，如图2所示，包括：
数据接收模块201，用于接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
训练任务生成模块202，用于基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练结果接收模块203，用于接收AI训练模型，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
评价排名模块204，用于按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型；
交易触发模块205，用于根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
在本发明实施例中，数据接收模块501还用于：接收评价阈值；
评价排名模块204，还用于基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
基于同一发明构思，本发明实施例中还提供了一种基于区块链进行分布式AI训练装置，即参与方节点，如下面的实施例所述。
图3是本发明实施例的参与方节点的结构框图，如图3所示，包括：
数据获取模块301，用于从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练模块302，用于根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
评价模块303，用于利用对应的评价规则对所述AI训练模型进行评价；
数据上传模块304，用于当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
在本发明实施例中，如图3所示，还包括：
签名模块305，用于对满足对应的评价规则的AI训练模型进行签名；
所述数据上传模块304具体用于：将签名后的AI训练模型提交到所述任务管理节点上。
基于同一发明构思，本发明实施例中还提供了一种基于区块链进行分布式AI训练方法(系统角度)，如下面的实施例所述。
图4是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(系统角度)，如图4所示，该基于区块链进行分布式AI训练方法包括：
步骤401：任务管理节点接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
步骤402：多个参与方节点从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
步骤403：任务管理节点按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作；
其中，任务管理节点和多个参与方节点构成一个区块链网络。
在本发明实施例中，该基于区块链进行分布式AI训练方法还包括：
任务管理节点接收评价阈值，基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
在本发明实施例中，该基于区块链进行分布式AI训练方法还包括：多个参与方节点对所述AI训练模型进行签名。
基于同一发明构思，本发明实施例中还提供了一种基于区块链进行分布式AI训练方法(任务管理节点角度)，如下面的实施例所述。
图5是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(任务管理节点角度)，如图5所示，该基于区块链进行分布式AI训练方法包括：
步骤501：接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
步骤502：基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
步骤503：接收AI训练模型，按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，其中，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
步骤504：根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
基于同一发明构思，本发明实施例中还提供了一种基于区块链进行分布式AI训练方法(参与方节点角度)，如下面的实施例所述。
图6是本发明实施例提供的一种基于区块链进行分布式AI训练方法流程图(参与方节点角度)，如图6所示，该基于区块链进行分布式AI训练方法包括：
步骤601：从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
步骤602：根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
步骤603：利用对应的评价规则对所述AI训练模型进行评价；
步骤604：当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
在本发明实施例中，该基于区块链进行分布式AI训练方法还包括：
对满足对应的评价规则的AI训练模型进行签名；
步骤604具体包括：将签名后的AI训练模型提交到所述任务管理节点上。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
综上所述，本发明提出的基于区块链进行分布式AI训练方法、装置及系统具有如下优点：
本发明参考区块链分布式挖矿机制通过多个参与方节点进行AI训练和大规模计算的求解，可以完成人工智能的训练，提供了AI训练的自动化，提高大众参与AI训练的积极性；利用区块链奖励机制激励区块链节点参与贡献计算能力；对AI训练模型进行评价，提供了AI训练的标准化。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种基于区块链进行分布式AI训练系统，其特征在于，包括：任务管理节点和多个参与方节点，任务管理节点和多个参与方节点构成一个区块链网络；
所述任务管理节点用于：接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
所述多个参与方节点用于：从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
所述任务管理节点还用于：按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
2.如权利要求1所述的基于区块链进行分布式AI训练系统，其特征在于，所述任务管理节点还用于：接收评价阈值，基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
3.如权利要求1所述的基于区块链进行分布式AI训练系统，其特征在于，所述多个参与方节点还用于：将所述AI训练模型进行签名后提交到所述任务管理节点上。
4.一种任务管理节点，其特征在于，包括：
数据接收模块，用于接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
训练任务生成模块，用于基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练结果接收模块，用于接收AI训练模型，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
评价排名模块，用于按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型；
交易触发模块，用于根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
5.如权利要求4所述的任务管理节点，其特征在于，所述数据接收模块还用于：接收评价阈值；
评价排名模块，还用于基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
6.一种参与方节点，其特征在于，包括：
数据获取模块，用于从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
训练模块，用于根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
评价模块，用于利用对应的评价规则对所述AI训练模型进行评价；
数据上传模块，用于当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
7.如权利要求6所述的参与方节点，其特征在于，还包括：
签名模块，用于对满足对应的评价规则的AI训练模型进行签名；
所述数据上传模块具体用于：将签名后的AI训练模型提交到所述任务管理节点上。
8.一种基于区块链进行分布式AI训练方法，其特征在于，包括：
任务管理节点接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则，基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
多个参与方节点从所述任务管理节点获取相应的AI训练任务，根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型，利用对应的评价规则对所述AI训练模型进行评价，当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上；
任务管理节点按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作；
其中，任务管理节点和多个参与方节点构成一个区块链网络。
9.如权利要求8所述的基于区块链进行分布式AI训练方法，其特征在于，还包括：
任务管理节点接收接收评价阈值，基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
10.如权利要求8所述的基于区块链进行分布式AI训练方法，其特征在于，还包括：
多个参与方节点对所述AI训练模型进行签名。
11.一种基于区块链进行分布式AI训练方法，其特征在于，包括：
接收AI训练数据、训练规则、评价规则、AI训练模型评价排名规则和交易触发规则；
基于所述AI训练数据或训练算法生成AI训练任务，所述AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
接收AI训练模型，按照所述AI训练模型评价排名规则对多个参与方节点上传的AI训练模型进行评价排名，获得评价排名后的AI训练模型，其中，所述AI训练模型为多个参与方节点在从任务管理节点获取相应的AI训练任务后根据对应的训练规则对相应的AI训练数据进行训练获得的满足对应的评价规则的模型；
根据对应的交易触发规则，触发评价排名后的AI训练模型对应的参与方节点进行相应的交易操作。
12.如权利要求11所述的基于区块链进行分布式AI训练方法，其特征在于，还包括：
接收评价阈值；
基于AI训练模型评价排名规则和评价阈值，确定评价后超过评价阈值的AI训练模型的排名。
13.一种基于区块链进行分布式AI训练方法，其特征在于，包括：
从任务管理节点获取相应的AI训练任务，其中，AI训练任务中包括对应的AI训练数据、对应的训练规则和对应的评价规则；
根据对应的训练规则对相应的AI训练数据进行训练，生成AI训练模型；
利用对应的评价规则对所述AI训练模型进行评价；
当满足对应的评价规则时，将所述AI训练模型提交到所述任务管理节点上。
14.如权利要求13所述的基于区块链进行分布式AI训练方法，其特征在于，还包括：
对满足对应的评价规则的AI训练模型进行签名；
将签名后的AI训练模型提交到所述任务管理节点上。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求8至14任一项所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求8至14任一项所述方法的计算机程序。
CN202010596577.9A 2020-06-28 2020-06-28 基于区块链进行分布式ai训练方法、装置及系统 Pending CN111753984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010596577.9A CN111753984A (zh) 2020-06-28 2020-06-28 基于区块链进行分布式ai训练方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010596577.9A CN111753984A (zh) 2020-06-28 2020-06-28 基于区块链进行分布式ai训练方法、装置及系统

Publications (1)

Publication Number Publication Date
CN111753984A true CN111753984A (zh) 2020-10-09

Family

ID=72677478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010596577.9A Pending CN111753984A (zh) 2020-06-28 2020-06-28 基于区块链进行分布式ai训练方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111753984A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190769A (zh) * 2018-08-21 2019-01-11 甲骨文科技时代（深圳）有限公司 一种基于区块链的人工智能训练方法
CN109409738A (zh) * 2018-10-25 2019-03-01 平安科技（深圳）有限公司 基于区块链平台进行深度学习的方法、电子装置
CN109670583A (zh) * 2018-12-27 2019-04-23 浙江省公众信息产业有限公司 去中心化的数据分析方法、系统以及介质
CN110222721A (zh) * 2019-05-10 2019-09-10 深圳前海达闼云端智能科技有限公司 数据处理方法、装置，区块链节点及存储介质
CN110490305A (zh) * 2019-08-22 2019-11-22 腾讯科技（深圳）有限公司 基于区块链网络的机器学习模型处理方法及节点
US20190370634A1 (en) * 2018-06-01 2019-12-05 International Business Machines Corporation Data platform to protect security of data used by machine learning models supported by blockchain

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370634A1 (en) * 2018-06-01 2019-12-05 International Business Machines Corporation Data platform to protect security of data used by machine learning models supported by blockchain
CN109190769A (zh) * 2018-08-21 2019-01-11 甲骨文科技时代（深圳）有限公司 一种基于区块链的人工智能训练方法
CN109409738A (zh) * 2018-10-25 2019-03-01 平安科技（深圳）有限公司 基于区块链平台进行深度学习的方法、电子装置
CN109670583A (zh) * 2018-12-27 2019-04-23 浙江省公众信息产业有限公司 去中心化的数据分析方法、系统以及介质
CN110222721A (zh) * 2019-05-10 2019-09-10 深圳前海达闼云端智能科技有限公司 数据处理方法、装置，区块链节点及存储介质
CN110490305A (zh) * 2019-08-22 2019-11-22 腾讯科技（深圳）有限公司 基于区块链网络的机器学习模型处理方法及节点

Similar Documents

Publication Publication Date Title
Sheldon et al. Maximizing the spread of cascades using network design
CN109460463A (zh) 基于数据处理的模型训练方法、装置、终端及存储介质
Kelly et al. Offline planning with hierarchical task networks in video games
Guss et al. The MineRL 2019 competition on sample efficient reinforcement learning using human priors
CN109409738A (zh) 基于区块链平台进行深度学习的方法、电子装置
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
CN110772794B (zh) 智能游戏处理方法、装置、设备及存储介质
Prasad et al. Exploring organizational designs with T MS: A case study of distributed data processing
Haraldsson et al. Systems Science and System Thinking in practice: How to develop qualitative and numerical models for evolvingunderstandings of challenges and responses to complex policies
Zhu et al. Evolutionary reinforcement learning for sparse rewards
CN111753984A (zh) 基于区块链进行分布式ai训练方法、装置及系统
van de Ven et al. Determining capacity of shunting yards by combining graph classification with local search
Alexander et al. Extending environments to measure self-reflection in reinforcement learning
CN107145444A (zh) 游戏性能的测试方法、测试装置、可读介质和电子设备
Pons et al. Scenario control for (serious) games using self-organizing multi-agent systems
CN115687526A (zh) 一种基于区块链和联邦学习的地震数据模型共享方法
Comin et al. A tractable generalization of simple temporal networks and its relation to mean payoff games
Mott et al. Controllable and coherent level generation: A two-pronged approach
Mohammadi et al. Machine learning assisted stochastic unit commitment: A feasibility study
Brandejsky Model identification from incomplete data set describing state variable subset only–the problem of optimizing and predicting heuristic incorporation into evolutionary system
CN113392101B (zh) 构建横向联邦树的方法、主服务器、业务平台和系统
CN114610270A (zh) Ai模型生成方法、电子设备和存储介质
Liu et al. Neural Population Learning beyond Symmetric Zero-sum Games
Guazzini et al. The selfish vaccine Recipe: A simple mechanism for avoiding free-riding
KR102187880B1 (ko) 게임 업데이트 가이드를 위한 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination