[論文レビュー] Trustless Machine Learning Contracts; Evaluating and Exchanging Machine Learning Models on the Ethereum Blockchain

A. Besir Kurtulmus, Kenny Daniel|arXiv (Cornell University)|Feb 27, 2018

Blockchain Technology Applications and Security参考文献 8被引用数 107

ひとこと要約

本論文は DanKu プロトコルを提案します。ハッシュ化されたデータセットとチェーン上の評価を用いて、MLモデルを募集・学習・評価・報酬支払いする信頼なしの Ethereum ベースのシステムです。実装、インセンティブ、脅威モデル、Ethereum上でのML契約の展開に関する実用的な考慮事項を論じます。

ABSTRACT

Using blockchain technology, it is possible to create contracts that offer a reward in exchange for a trained machine learning model for a particular data set. This would allow users to train machine learning models for a reward in a trustless manner. The smart contract will use the blockchain to automatically validate the solution, so there would be no debate about whether the solution was correct or not. Users who submit the solutions won't have counterparty risk that they won't get paid for their work. Contracts can be created easily by anyone with a dataset, even programmatically by software agents. This creates a market where parties who are good at solving machine learning problems can directly monetize their skillset, and where any organization or software agent that has a problem to solve with AI can solicit solutions from all over the world. This will incentivize the creation of better machine learning models, and make AI more accessible to companies and software agents.

研究の動機と目的

• 信頼なしのマーケットプレイスプロトコルを導入し、Ethereumブロックチェーン上で機械学習モデルを交換する。
• DanKu (Dan iel + Ku rtulmus) コントラクトプロトコルとその五段階プロセスを定義する。
• 暗号ハッシュ、データセットのランダム化、オンチェーン評価が公正な支払いを可能にする方法を示す。
• Ethereum上でのML契約の実装におけるインセンティブ、脅威モデル、実務的な考慮事項を論じる。

提案手法

• DanKu Contract (DKC) を、初期化、提出、検証データ公開、評価、最終化の五段階ライフサイクルを実装する Ethereum 契約として定義する。
• データの整合性を確保し改ざんを防ぐために nonce を用いたハッシュ化データグループと sha3-keccak ハッシュを用いる。
• previous block hashes を種として、データグループを訓練用と検証用にランダムに分割する。
• オンチェーン評価を示すための単純なニューラルネットワークの forward_pass 実装を提供する。
• 参加者が提出したモデルをスコアリングする評価関数を、選択した指標（例: 正解率）を用いて実装する。
• ガス制約とネットワークの考慮事項に対応するため、 per-model 評価およびローカル/オフチェーン評価オプションを許容する。

実験結果

リサーチクエスチョン

• RQ1 信頼性のある分散プロトコルは、Ethereumブロックチェーン上でどのようにMLモデルを安全に募集、訓練、評価できるか？
• RQ2 MLモデル競技会における主催者や参加者による不正を防ぎ、公正な報酬を保証する仕組みは何か？
• RQ3 EVM上でのMLモデル実行に伴う実務的制約（ガスコスト、データ保管、数学演算）は何で、どのように緩和できるか？

主な発見

• DanKu プロトコルは、オンチェーン評価に基づく自動支払いを伴う匿名かつ信頼なしのMLモデル競技を可能にする。
• nonce データセットのハッシュ化とデータ分割に block hashes を利用することで、主催者の操作とレインボーテーブル攻撃を抑制する。
• モデルの提出と評価は、 per-model 評価により提出数の多すぎる問題とガス制限リスクを緩和する形で実行できる。
• データ容量コスト、浮動小数点演算の欠如、ガス制限内でのモデル実行時間といった実務的な留意点が大きい。
• 同プロトコルは、同型暗号、IPFS/ Swarmによるデータ保管、GPUマイナーアービトラージの影響といった潜在的拡張を論じている。