Utumizi wa Utafutaji wa Muundo wa Mfumo wa Neuli Uliosambazwa kwa Misingi ya Blockchain katik Utabiri wa Fedha za Kriptografi

Table of Contents

• 1 Utangulizi
• 2 Usuli
  • 2.1 Blockchain na Ethereum
  • 2.2 Utafutaji wa Mfumo wa Neural
• 3 Tatizo la Utabiri wa Fedha za Kriptografi
• 4 Mbinu
  • 4.1 Network Topology Preservation and Bayesian Optimization
  • 4.2 Blockchain Incentive Mechanism
• 5 Matokeo ya Kipekee ya Utafiti
• Blockchain protocol proposed in 6
• Technical implementation of 7
• 8 Future Applications
• 9 Original Analysis
• 10 Marejeo

1 Utangulizi

Uundaji wa mitandao ya kina yenye ufanisi unahitaji urekebishaji wa mara kwa mara wa muundo na vigezo vya juu, jambo linazuiwa kwa kasi maendeleo. Utafiti wa hivi karibuni umependekeza algoriti mbalimbali za Utafutaji wa Muundo wa Neural (NAS) kwa ajili ya kuharakisha mchakato huu. Tumetumia algoriti ya NAS iliyobinafsishwa (inayojumuisha uhifadhi wa umbo la mtandao na urekebishaji wa Bayes) katutabiri sarafu za kripto, na kupata matokeo yanayolingana na mifano bora iliyoundwa kwa mikono.

2 Usuli

2.1 Blockchain na Ethereum

Blockchain technology emerged with Bitcoin in 2008, providing a decentralized and tamper-proof ledger system. Ethereum expanded this capability through smart contracts, enabling programmable and self-executing protocols, which laid the foundation for our proposed distributed NAS network.

2.2 Utafutaji wa Mfumo wa Neural

Algorithm za NAS zinakuza usanifu wa mtandao wa neva kiotomatiki kupitia njia mbalimbali kama vile kujifunza kwa nguvu, algorithm za mageuzi, na ukamilifu wa Bayes. Mbinu yetu inachanganya uhifadhi wa umbo la mtandao na ukamilifu wa Bayes ili kufanikisha utafutaji wa usanifu wenye ufanisi.

3 Tatizo la Utabiri wa Fedha za Kriptografi

Tunalenga kutumia data ya kihistoria ya blockchain, daftari ya maagizo na viashiria vya hisia za kijamii kwa utabiri wa bei ya fedha za kripto. Seti ya data ina data ya miaka 2 ya Bitcoin na Ethereum, kwa vipindi vya dakika 15, ikijumuisha vipengele 42 tofauti.

4 Mbinu

4.1 Network Topology Preservation and Bayesian Optimization

Network Morphism preserves network functionality while modifying architectures through operations such as layer addition, kernel size adjustment, and skip connection insertion. Combined with Bayesian Optimization, this approach enables efficient exploration of the architecture space.

Kazi ya ukusanyaji ya Uboreshaji wa Bayes inaweza kuwakilishwa kama:

$a(\mathbf{x}) = \mu(\mathbf{x}) + \kappa\sigma(\mathbf{x})$

Ambapo $\mu(\mathbf{x})$ ni wastani wa posteriori, $\sigma(\mathbf{x})$ ni tofauti ya posteriori, na $\kappa$ inadhibiti usawazi wa uchunguzi na matumizi.

4.2 Blockchain Incentive Mechanism

Tunapendekeza utaratibu wa makubaliano wa uthibitisho wa kazi muhimu, ambapo wachimbaji hushindana kutafuta muundo bora wa neva. Kazi ya malipo ni:

$R = \alpha \cdot \text{Accuracy} + \beta \cdot \text{Efficiency} + \gamma \cdot \text{Novelty}$

5 Matokeo ya Kipekee ya Utafiti

NAS algorithm yetu ilifanikisha usahihi wa utabiri wa 94.2%, huku modeli iliyobuniwa kwa mikono ikiwa na usahihi wa 93.8%. Mbinu iliyogawanyika ilipunguza muda wa mafunzo kwa 35% huku ikiweka utendaji sawia.

Blockchain protocol proposed in 6

Tuliundesigni mtandao wa kutokuwa na kituo kimoja, ambapo nodi huchangia rasilimali za kompyuta kwa kazi za NAS. Mkataba wa kisasa (smart contract) husimamia usambazaji wa kazi, uthibitishaji wa matokeo, na malipo ya ishara (token) kulingana na uboreshaji wa utendakazi wa modeli.

Technical implementation of 7

Mfano wa Kificho: Operesheni ya Kudumisha Muundo wa Mtandao

class NetworkMorphism:

8 Future Applications

Mfumo uliopendekezwa unaweza kupanuliwa kwa nyanja mbalimbali, zikiwemo utambuzi wa matibabu, magari yanayojiendesha yenyewe na utabiri wa kifedha. Mbinu hii ya kutokuwa na kituo kimoja inasaidia ukuzaji wa mfumo wa ushirikiano, huku ikiwalinda faragha ya data kupitia teknolojia ya kujifunza kwa mshirikiano.

9 Original Analysis

Utafiti huu unawakilisha muunganiko muhimu wa teknolojia ya blockchain na ujuzi wa mashine wa kiotomatiki, ukikabiliana na ukomo wa kimsingi katika nyanja hizi mbili. Itifaki ya NAS iliyopendekezwa ya usambazaji inashughulikia tatizo la ukakamavu wa kihesabu katika utafutaji wa muundo wa neva, huku ikiwatumia motisha ya blockchain kufanikisha uratibu usio na kitovu. Mbinu hii inaendana na mwelekeo mpana wa demokrasia ya uwezo wa akili bandia, sawa na jinsi majukwaa kama TensorFlow na PyTorc hupunguza kiwango cha kuchukua ujuzi wa kina.

Msingi wa kiufundi umejengwa juu ya methodolojia ya NAS iliyokomaa, hasa mbinu ya kudumisha umbo la mtandao iliyoonyeshwa katika AutoKeras, lakini imepanuliwa kupia utaratibu wa uratibu unaotegemea blockchain. Dhamira hii ya usambazaji inashughulikia mahitaji makubwa ya kihesabu ya algoriti za NAS, kulingana na utafiti wa Google kuhusu EfficientNet, utafutaji kamili wa muundo unaweza kuhitaji zaidi ya siku 1000 za GPU. Kwa kugawa mzigo huu kazi kwa nodi nyingi na kuhakikisha motisha inafanana, mfumo unaweza kupunguza wakati wa utafutaji huku ukidumua ubora wa uchunguzi.

Ikilinganishwa na muunganiko uliopo wa blockchain na ujuzi wa mashine kama OpenMined na SingularityNET, pendekezo hili linalenga hasa mchakato wa uundaji wa modeli, badala ya ushiriki wa data au utekelezaji wa modeli. Utaalamu huu unaruhusu uboreshaji wa kina wa mchakato wa utafutaji wa muundo. Kikoa cha utabiri wa cryptocurrency kinaonekana kuwa kesi ya majaribio inayofaa kwa sababu ya hali yake tata isiyo tulia na upatikanaji wa data tajiri ya blockchain, ingawa njia hii inaonekana kuenea kwa matatizo mengine ya utabiri wa mfululizo wa wakati.

Ujumuishaji wa Uboreshaji wa Bayes na uhifadhi wa umbo la mtandao unatoa faida za kinadharia ikilinganishwa na mbinu za kusisitiza tu kujifunza kwa nguvu, kama ilivyoonyeshwa katika utekelezaji wa asili wa AutoKeras. Mfumo wa Bayes unaiga kwa ufanisi mandhari ya utendaji wa usanifu, ukiongoza utafutaji kwa maeneo yenye matumaini huku ukiepuka tathmini ya kina ya uwezekano wote. Hii ni muhimu hasa katika mipangilio iliyogawanywa ambapo gharama za mawasiliano kati ya nodi lazima zipunguzwe.

Maendeleo ya baadaye yanaweza kujumuisha uboreshaji wa malengo mengi, ukizingatia sio tu usahihi, bali pia ukubwa wa modeli, kasi ya inferensia, na ufanisi wa nishati—mambo muhimu kwa uwekaji halisi. Njia hii inaonyesha uwezo katika kuunda mchakato wa kielektroniki unaofikika zaidi na wenye ufanisi, ingawa chango za uthibitishaji wa matokeo na kuzuia mfumo wa motisha udanganywe bado zinahitaji utafiti zaidi.

10 Marejeo

1. Zoph, B., & Le, Q. V. (2017). 基于强化学习的神经架构搜索。arXiv:1611.01578
2. Liu, H., Simonyan, K., & Yang, Y. (2019). DARTS：可微分架构搜索。arXiv:1806.09055
3. Jin, H., Song, Q., & Hu, X. (2019). Auto-Keras：高效的神经架构搜索系统。KDD 2019
4. Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System
5. OpenMined (2020). Usambazaji wa Kujificha wa Kielektroniki wa Kujificha
6. SingularityNET (2019). Soko la Huduma za Akili Bandia Zisizo na Kituo Kimoja
7. Zhu et al. (2017). Ubadilishaji wa Picha hadi Picha Bila Kufananishwa kwa kutumia Mtandao wa Kupinga unaoendana na Mzunguko. ICCV 2017
8. Brown et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020