-
公开(公告)号：CN110275891B
公开(公告)日：2023-05-23
申请号：CN201910192623.6
申请日：2019-03-14
Applicant: 国际商业机器公司
Inventor： M.M.弗朗西斯切尼 , A.雅格莫汗 , K.萨帕特瓦 , K.闪穆甘 , R.瓦库林
Abstract: 本发明涉及一种人工智能软件市场。示例操作可以包括以下一项或多项:生成散列的摘要，该散列的摘要包括一个或多个验证数据集的散列和在先前迭代中从生产者节点选择的数据点的散列；以及将散列的摘要暴露给多个生产者节点；迭代地分别接收来自多个生产者节点的多个请求，其中每个请求标识由生产者节点可用的数据样本的散列提供的边缘值，基于与所述请求相关联的边缘值来选择从生产者节点接收的请求，取得与所选择的请求相关联的生产者节点的散列的数据，并将生产者节点的散列的数据与在一个或多个先前迭代中生成的散列的摘要进行聚合，以产生更新的摘要，并且经由分布式账本的数据块来存储更新的摘要。
-
公开(公告)号：CN110275891A
公开(公告)日：2019-09-24
申请号：CN201910192623.6
申请日：2019-03-14
Applicant: 国际商业机器公司
Inventor： M.M.弗朗西斯切尼 , A.雅格莫汗 , K.萨帕特瓦 , K.闪穆甘 , R.瓦库林
Abstract: 本发明涉及一种人工智能软件市场。示例操作可以包括以下一项或多项:生成散列的摘要，该散列的摘要包括一个或多个验证数据集的散列和在先前迭代中从生产者节点选择的数据点的散列；以及将散列的摘要暴露给多个生产者节点；迭代地分别接收来自多个生产者节点的多个请求，其中每个请求标识由生产者节点可用的数据样本的散列提供的边缘值，基于与所述请求相关联的边缘值来选择从生产者节点接收的请求，取得与所选择的请求相关联的生产者节点的散列的数据，并将生产者节点的散列的数据与在一个或多个先前迭代中生成的散列的摘要进行聚合，以产生更新的摘要，并且经由分布式账本的数据块来存储更新的摘要。
-
公开(公告)号：CN112084255A
公开(公告)日：2020-12-15
申请号：CN202010498520.5
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由训练参与者客户端生成多个事务提议，多个事务提议中的每一个对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，将多个事务提议传送到每个包括验证梯度智能合约的一个或多个背书者节点或对等方，由每个背书者节点或对等方验证梯度智能合约；向训练参与者客户端提供与多个事务提议相对应的背书。
-
公开(公告)号：CN112084256B
公开(公告)日：2025-01-21
申请号：CN202010498524.3
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由多个训练参与者客户端生成用于机器学习模型训练的梯度计算，每个训练参与者客户端包括训练数据集，由耦合到多个训练参与者客户端的训练聚合器将梯度计算转换为多个事务提议，由区块链网络的一个或多个背书者节点或对等方接收多个事务提议，由每个背书者节点或对等方执行验证梯度智能合约，并向训练聚合器提供与多个事务提议相对应的背书。
-
Patent Agency Ranking
公开(公告)号：CN112084257B
公开(公告)日：2024-08-16
申请号：CN202010498809.7
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由包括训练集的训练参与者客户端生成多个事务提议，每个事务提议对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型训练包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算、来自私有数据集的批次、损失函数和原始模型参数，由区块链网络的一个或多个背书者节点或对等方接收多个事务提议，并评估每个事务提议。
-
公开(公告)号：CN112084256A
公开(公告)日：2020-12-15
申请号：CN202010498524.3
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由多个训练参与者客户端生成用于机器学习模型训练的梯度计算，每个训练参与者客户端包括训练数据集，由耦合到多个训练参与者客户端的训练聚合器将梯度计算转换为多个事务提议，由区块链网络的一个或多个背书者节点或对等方接收多个事务提议，由每个背书者节点或对等方执行验证梯度智能合约，并向训练聚合器提供与多个事务提议相对应的背书。
-
公开(公告)号：CN112084255B
公开(公告)日：2024-10-15
申请号：CN202010498520.5
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由训练参与者客户端生成多个事务提议，多个事务提议中的每一个对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，将多个事务提议传送到每个包括验证梯度智能合约的一个或多个背书者节点或对等方，由每个背书者节点或对等方验证梯度智能合约；向训练参与者客户端提供与多个事务提议相对应的背书。
-
公开(公告)号：CN115461761A
公开(公告)日：2022-12-09
申请号：CN202180030525.8
申请日：2021-04-09
Applicant: 国际商业机器公司
Abstract: 一种用于决策树(DT)模型上的同态推理的方法、设备和计算机程序产品。代替对决策树进行基于HE的推理，而是对作为代理的神经网络(NN)执行推理。为此，神经网络被训练来学习DT决策边界，优选地不使用原始DT模型数据训练点。在训练期间，将随机数据集合应用于DT，并且记录期望的输出。该随机数据集合和预期输出然后用于训练神经网络，使得神经网络的输出匹配从将原始数据集应用于DT所预期的输出。优选地，神经网络具有低深度，仅仅几层。使用浅层神经网络上的HE推理完成决策树上的基于HE的推理。后者在计算上是高效的并且在不需要自举的情况下即可进行。
-
公开(公告)号：CN112084257A
公开(公告)日：2020-12-15
申请号：CN202010498809.7
申请日：2020-06-04
Applicant: 国际商业机器公司
Inventor： V.S.加纳帕瓦拉普 , K.萨帕特瓦 , K.闪穆加姆 , R.瓦库林
Abstract: 示例操作可以包括以下一项或多项：由包括训练集的训练参与者客户端生成多个事务提议，每个事务提议对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型训练包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算、来自私有数据集的批次、损失函数和原始模型参数，由区块链网络的一个或多个背书者节点或对等方接收多个事务提议，并评估每个事务提议。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
