我们提出了一种在 BSV 上实现去中心化机器学习 (ML) 市场的新方法。任何人都可以通过发布附带奖励的智能合约来外包机器学习任务。任何提交表现最佳模型的人都将通过区块链交易获得奖励，而无需通过中心化机构。
Kaggle 是一个流行的数据建模和数据分析分析竞赛平台，之前已被 Google 收购。Kaggle 竞赛中包括了很多由 Kaggle 、Facebook 、微软等其他公司制作的机器学习任务。如果竞争成功，参赛者可以获得金钱奖励，有时超过一百万美元。
与 Kaggle 比赛类似，在 BSV 上实现机器学习建模比赛包括以下步骤：
整个 ML 竞赛都编码在智能合约中并受其监管。与传统的 ML 竞赛相比，在 BSV 上运行它们具有显着优势：
为了演示这个想法在实践中是如何工作的，我们使用感知器来解决一个简单的分类问题，类似我们之前所做的例子。用测试数据集评估时，错误率最低的模型获胜并赢得奖品，所有这些都在链上执行。示例合约如下：
// submit a solution
public function submit(SigHashPreimage txPreimage, Submission subm) {
require(Tx.checkPreimage(txPreimage));
bytes scriptCode = Util.scriptCode(txPreimage);
// read/deserialize state
int stateStart = Reader.getStateStart(scriptCode);
State state = this.deserialize(scriptCode[stateStart :]);
// append the submission to the candidates
if (++state.count < S) {
loop (S) : i {
if (i == state.count)
state.submissions[i] = subm;
}
}
// write/serialize state
bytes stateBuf = serialize(state);
bytes scriptCode_ = scriptCode[: stateStart] + stateBuf;
bytes output = Util.buildOutput(scriptCode_, Util.value(txPreimage));
require(hash256(output) == Util.hashOutputs(txPreimage));
}
// reveal the testing dataset and pay the winner with smallest error
public function evaluate(SigHashPreimage txPreimage, DataPoint[T] testingDataset) {
require(Tx.checkPreimage(txPreimage));
bytes scriptCode = Util.scriptCode(txPreimage);
// read/deserialize state
int stateStart = Reader.getStateStart(scriptCode);
State state = this.deserialize(scriptCode[stateStart :]);
// validate testing dataset is what was committed
require(this.validateTestData(testingDataset));
// find the winner with the miminal predicted error
Ripemd160 winner = Ripemd160(b'');
int minError = 0xFFFFFFFFFFF;
loop (S) : i {
if (i < state.count) {
auto subm = state.submissions[i];
auto error = calcError(subm, testingDataset);
if (error < minError) {
minError = error;
winner = subm.addr;
}
}
}
bytes output = Util.buildOutput(Util.buildPublicKeyHashScript(winner), Util.value(txPreimage));
require(hash256(output) == Util.hashOutputs(txPreimage));
}
如果主办方决定不公开测试数据集，则建模者无法获得报酬。解决此问题的一种方法是添加另一个支付条件（例如，sCrypt 中的另一个公共函数）以便在特定时间后领取赏金，其中所有建模者都可以根据其在训练数据集上的准确性来分配赏金。
一个开放透明的机器学习模型市场将使 ML 模型的交易和使用成本变得更低，也更有助于产业繁荣。