Decentralized Intelligence Network (DIN)

Decentralized Intelligence Network (DIN) 解决了数据主权和人工智能利用方面的重大挑战，这些挑战是由数据在提供者和机构之间的碎片化和隔离造成的。这个综合框架通过以下方式克服了以前由于数据隔离而阻碍可扩展数据来源的访问障碍：1）个人数据存储作为数据主权的先决条件；2）在公共区块链上实现的可扩展联邦学习协议，用于分散的AI训练，数据仍由参与者保留，只有模型参数更新被共享；以及3）可扩展的、不需要信任的奖励机制，以激励参与和确保公平的奖励分配。这个框架确保没有任何实体可以阻止或控制对参与者提供的数据进行训练的访问，或确定财务利益，因为这些过程在公共区块链上运行，具有不可变的记录，并且没有第三方。它支持有效的AI训练，允许参与者控制他们的数据，从中获得经济利益，并为利用集体AI开发有益算法的分散、可扩展的生态系统做出贡献。

解决数据主权和AI利用的挑战，通过利用个人数据存储、基于公共区块链的可扩展联邦学习协议和可扩展、无信任奖励机制来实现去中心化AI训练。

使用个人数据存储、基于公共区块链的联邦学习协议和无信任奖励机制来实现去中心化AI训练，保证参与者对数据的控制和公平的奖励分配。

论文提出了一个综合框架，使用区块链技术解决数据主权和AI利用的挑战。使用个人数据存储、基于公共区块链的联邦学习协议和无信任奖励机制来实现去中心化AI训练。该框架确保没有实体可以阻止或控制对参与者提供的数据进行训练，同时保证公平的奖励分配。实验设计详细，使用了多个数据集，但没有提供开源代码。

最近的相关研究包括联邦学习和去中心化AI训练的研究，如Federated Learning with Differential Privacy、Towards Federated Learning at Scale: System Design等。