[論文レビュー] Machine Learning in/for Blockchain: Future and Challenges

Fang Chen, Hong Wan+2 more|arXiv (Cornell University)|Sep 12, 2019

Blockchain Technology Applications and Security参考文献 66被引用数 12

ひとこと要約

本論文は、機械学習（ML）とブロックチェーン技術の統合をレビューし、MLがブロックチェーンのセキュリティ、効率性、およびデータ分析を向上させること、一方でブロックチェーンが安全で分散型かつプライバシー保護型の機械学習を可能にすることを示している。主な貢献は、データ共有、異常検出、強化学習によるマイニング戦略最適化における相乗効果の同定であり、スマートエージェント、マルチエージェント強化学習、学習ベースのシステム評価分野におけるより深い学際的研究の促進を提言している。

ABSTRACT

Machine learning and blockchain are two of the most noticeable technologies in recent years. The first one is the foundation of artificial intelligence and big data, and the second one has significantly disrupted the financial industry. Both technologies are data-driven, and thus there are rapidly growing interests in integrating them for more secure and efficient data sharing and analysis. In this paper, we review the research on combining blockchain and machine learning technologies and demonstrate that they can collaborate efficiently and effectively. In the end, we point out some future directions and expect more researches on deeper integration of the two promising technologies.

研究の動機と目的

• 機械学習とブロックチェーン技術を統合する研究の現状を検討すること。
• 機械学習がブロックチェーンシステムのパフォーマンス、セキュリティ、およびデータ整合性をどのように向上させられるかを特定すること。
• ブロックチェーンが安全で分散型かつプライバシー保護型の機械学習ワークフローをどのように可能にするかを検討すること。
• マイニングにおけるマルチエージェント強化学習や学習ベースのブロックチェーンメカニズム設計といった、未だあまり研究が進んでいない分野を強調すること。
• 孤立した応用を越えて、知的で適応可能な分散型システムへとMLとブロックチェーンの統合を深めることを提唱すること。

提案手法

• 本論文は、MLがブロックチェーンに応用される事例およびブロックチェーンがMLに応用される事例に関する既存の文献を包括的にレビューし、教師あり学習、教師なし学習、強化学習の手法に焦点を当てる。
• 具体的な手法として、マイニング戦略最適化のための二重Q関数を用いたQ学習、オフポリシー更新、および適応的ε減少を伴うε-greedy探索の分析を行う。
• 敵対的マイニング環境における多目的報酬を処理するために、二つのQ関数（Q^(a) および Q^(h)）を用いた強化学習モデルの評価を行う。
• マーカフ決定過程（MDP）としてのブロックチェーンマイニングのモデル化フレームワークを提案し、動的かつ競争的な条件下での最適戦略学習を可能にする。
• 感度分析とシミュレーションを用いて、提案されたRLベースのマイニング戦略の性能を既存手法と比較検証する。
• 共同学習環境におけるトレーニングデータのプロバンセンスとモデル監査のための安全で改ざん不能なログとしてのブロックチェーンの活用を強調する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、ブロックチェーンシステムにおける悪意ある行動を検出し、セキュリティを向上させることは可能か？
• RQ2 ブロックチェーンは、分散型機械学習ワークフローにおけるデータの機密性と整合性をどのように向上させられるか？
• RQ3 強化学習は、分散型ブロックチェーンネットワークにおけるマイニング戦略最適化に効果的に応用可能か？
• RQ4 現在のMLアプローチがブロックチェーンシステム行動の分析において抱える制限は何か。学習ベースの分析は、メカニズム設計をどのように改善できるか？
• RQ5 マルチエージェント強化学習は、現実のマイニングプールの複雑で協調的かつ競争的なダイナミクスをよりよくモデル化できるか？

主な発見

• 提案された二重Q関数を用いた強化学習アプローチは、Eyal & Sirer（2014）およびSapirshteinら（2017）の既存のマイニング戦略を模擬実験で上回り、特に変動が大きい条件下で顕著な優位性を示した。
• 適応的ε-greedy探索と状態依存的ε減少を併用した強化学習は、マイニング戦略学習における局所最適解の回避に効果的であった。
• ブロックチェーンとMLの統合により、特にIoTや医療分野における安全で監査可能かつプライバシー保護型のデータ共有が実現可能となった。
• 現在の研究は、一方の技術をもう一方の技術の改善に応用するというレベルにとどまっており、技術的統合の深さに欠ける。
• とりわけ、パフォーマンス評価や予測の分野における、ブロックチェーンシステムの学習ベース分析は、メカニズム設計の分野での可能性を秘めているものの、未だにあまり研究が進んでいない。
• 今後の研究は、現実のマイニングプールをモデル化するためのマルチエージェントRLや、変動が激しい市場における仮想通貨投資戦略のための逆強化学習に注力すべきであり、従来の教師ありモデルの限界を考慮すると特に重要である。