Клубок IOTA уникален среди моделей распределенного реестра тем, что вместо того, чтобы основываться на универсальном порядке вокруг канонического блокчейна, он формирует гибкую архитектуру, способную самоорганизоваться вокруг оценочных вероятностей. Это обеспечивает основанную на обучении координацию данных, идеально подходящую для использования технологий машинного обучения. В этой путанице машины могут обучаться лучше выполнять операции, в то время как блокчейны, по сути, слепы, глухи и немы в этом отношении.

Клубок IOTA напоминает рудиментарную нейронную сеть, которая распространяет транзакции, распространяет данные и допускает различные способы, с помощью которых данные могут отображать значимую связность. Клубок в этом смысле можно понимать как общую основу для развития искусственного интеллекта. (В некотором смысле, чем открытый код является для программного обеспечения, IOTA является для искусственного интеллекта).

Методы статистического вывода, которые использует IOTA, постоянно работают под капотом на таких платформах, как Facebook, а также в поисковой системе Google и ее наборе интегрированных приложений. Однако IOTA использует эту технологию, чтобы заложить основы машинной экономики, отражающей динамику объективной реальности в физической сфере движения и изменений.

Байесовская вероятность: согласование восприятия с реальностью и виртуального с реальным

Ценность информации не сохраняется в тот момент, когда она была новой. Оно живет только настоящим. Он должен полностью отдаться ему и объясниться ему, не теряя времени. — Уолтер Бенджамин

Байесовские методы, которые использует IOTA, имеют долгую историю применения на практике во многих различных областях и областях исследований (от страхования, оценки рисков и управления бизнесом до разработки игр, открытия лекарств и эпидемиологии, чтобы назвать немного). В качестве мощного инструмента рассуждений, когда он применяется в области машинного обучения, байесовская эвристика вероятности позволяет машинам и программам эффективно обрабатывать недостающие данные, извлекать информацию из ограниченных наборов данных и часто оценивать замечательные прогнозы на основе частичной информации.

Основная интуиция байесовских рассуждений кратко отражена в теореме Байеса. Приведенная ниже формула представляет собой, казалось бы, простую эвристику для построения обоснованных предположений путем количественной оценки убеждений, основанных на доступной информации и предыдущих знаниях об условиях, которые могут иметь отношение к рассматриваемому явлению.

Теорома Байеса.

Уравнение описывает вероятность A при условии достоверности B. P(A) и P(B) — это так называемые предельные вероятности событий A и B, независимые друг от друга, а P(B|A) обозначает условную вероятность из B, предполагая A. Мы присваиваем распределения всему в формуле и продолжаем делать выводы об интересующем нас событии.

Часто приводимый пример теоремы Байеса на практике — это ложноположительные результаты, возникающие при клинической диагностике. Давайте рассмотрим тест на наркотики, который на 99 % чувствителен к наркотику, который он тестирует, и на 99 % специфичен — это означает, что он должен давать 99 % истинных положительных результатов для потребителей наркотиков и 99 % истинных отрицательных результатов для тех, кто не употребляет наркотики.

Но давайте также примем во внимание, что примерно 0,5% людей в тестируемой популяции на самом деле употребляют этот конкретный наркотик, поэтому, если учесть все эти априорные факторы с помощью теоремы Байеса, какова будет вероятность того, что случайно выбранный человек с положительным результатом теста будет? на самом деле наркоман? Следуя формуле, мы получим 0,99 х 0,005 / 0,99 х 0,005 + 0,01 х 0,995, что в среднем соответствует 33% вероятности того, что тестируемый человек действительно может быть наркоманом, и 67% вероятности того, что он им не является.

Диаграмма пошагового байесовского вывода, структурированная как DAG.

В байесовских интерпретациях вероятность измеряет «степень доверия». Затем теорема Байеса связывает степени уверенности в утверждении до и после учета объективных свидетельств, которые заранее не известны. А затем, с обновленными знаниями, он продвигается дальше по так называемым цепям Маркова, становясь все более точным на каждом этапе, поскольку он поглощает новую информацию и оценки вероятности своего окружения в определенный момент времени.

Строка Спорим на 50 долларов, что это не так — это отсылка к байесовскому ученому Бруно де Финетти, который широко использовал ставки в своих мысленных экспериментах и ​​примерах. Источник: xkcd.com

Байесовская схема вывода считается чрезвычайно полезной (хотя иногда и сбивает с толку, а иногда рассматривается как нечто вроде таинственной магии вуду) при решении сложных проблем с большой присущей неопределенностью, которую необходимо количественно оценить, и считается наиболее информативно эффективными методами. чтобы соответствовать любой статистической модели (а также наиболее ресурсоемкой, экономика которой IOTA решает на аппаратном уровне).

Случайные процессы, случайные блуждающие и вероятностные траектории

Клубок — это стохастический процесс с DAG-значением (термин для случайного), предназначенный для интеграции и решения сложностей реального мира, поэтому транзакции в клубке неравномерно распределяются во времени, а структурируют настройку, приспосабливающуюся к различным режимам и режимам. деятельности. Стохастический процесс — это, по сути, генератор случайных выборок, а случайные блуждания — это математические объекты, описывающие последовательности случайных шагов. Алгоритмы выбора наконечника IOTA представляют собой предвзятые (взвешенные) случайные блуждания по поверхности клубка, которые следуют по пути с приблизительной определенностью.

Моделирование путаницы с заданными параметрами количества транзакций, скоростью их поступления, степенью случайности и типом случайного блуждания, используемого для соединения входящих транзакций от генезиса до вершины.

Горизонт, обусловленный клубком, позволяет применять множество нестандартных алгоритмов, способных оптимизироваться для широкого спектра стратегий и возможных обстоятельств применения.

Стохастический процесс.

Цепи Маркова

«Когда факты меняются, я меняю свое мнение. Что вы делаете, сэр? — Уинстон Черчилль

Цепи Маркова — это непрерывная форма байесовского вывода, которая намечает траектории вероятности, интегрируя новую информацию на каждом этапе, учитывая, как система может вести себя дальше, прежде чем двигаться дальше. По сути, цепи Маркова — это случайные блуждания по графу (DAG), которые удовлетворяют определенным правилам приемлемости.

Цепи Маркова обычно представляются в виде диаграмм переходов состояний с присоединенными вероятностями.

Цепи Маркова определяются состояниями и переходами между ними, и интуиция такова, что если наблюдения проводятся достаточно долго, по мере увеличения количества следов они в конечном итоге сойдутся к приблизительному равновесию неизвестных соотношений, к выявлению которых они склонны.

Методы Монте-Карло

Важным вкладом IOTA в область DLT является семейство алгоритмов Монте-Карло с цепями Маркова, которые она предлагает в рамках распределенного реестра. Цепь Маркова Монте-Карло считается единственным методом, который гарантирует решение проблемы (при наличии достаточных ресурсов и достаточного времени для этого) и обычно используется для выборки и вычисления ожиданий в отношении сложной, многомерной и многомерной вероятности. распределения, где никакие другие методы не практичны или адекватно не подходят.

Целью MCMC в протоколе IOTA является выбор мест присоединения для транзакции подсказки и отслеживание ее проверки до определенной глубины приемлемой достоверности при прохождении коррелированных цепочек истории графа. Например, продавец, получающий платеж, может установить приемлемый уровень риска, на который он готов пойти в той или иной ситуации. Это обеспечивает очень надежный механизм для управления обязательствами и расчета оценок риска в любых обстоятельствах, включая статистические оценки, и может быть экстраполирован на все виды сценариев в зависимости от типа рассматриваемых структурированных данных.

Матрицы веса: собственный вес, совокупный вес и минимальная величина веса

Как уже упоминалось, веса являются ключевой метрикой того, как формируются ассоциативные связи в нейронных сетях, а веса в клубке — это то, к чему склоняются случайные блуждания. Веса определяют активность узла в проверке транзакций, а функция координатора, который в настоящее время находится на месте, состоит в том, чтобы предоставить обучающие колеса, которые в конечном итоге позволят сети самостоятельно справляться со злонамеренными случаями двойного расходования.

В IOTA существует три вида весов: собственный вес, совокупный вес и величина минимального веса (MWM). Каждая транзакция имеет свой собственный вес, который может принимать значения 1, 3, 9 и т. д. 3 в степени n (что соответствует сбалансированной троичной номенклатуре). Транзакции, выпущенные узлами, составляют набор узлов графа запутывания, который формирует реестр (кошелек является просто интерфейсом узла к запутыванию), а вес определяется усилиями, предпринятыми узлом, выдавшим транзакцию.

DAG с присвоением веса до и после новой транзакции, X. Ящики представляют транзакции, небольшое число в углах каждого поля обозначает собственный вес, а число, выделенное жирным шрифтом вверху, обозначает совокупный вес. Источник: Белая книга IOTA.

По мере распространения по сети IOTA вес транзакции увеличивается с увеличением количества подтверждений. Поскольку поступающая транзакция должна выполнить Proof-of-Work при решении и проверке двух предыдущих транзакций (называемых соответственно магистралью и ветвью, или одобрена и одобрена), с использованием алгоритма взвешенного случайного блуждания в конечном итоге одна из ветвей увеличится и сформируется. более сильный консенсус вокруг него.

Кумулятивный вес, с другой стороны, представляет собой собственный вес транзакции плюс общую сумму всех весов всех транзакций, которые прямо или косвенно ее одобряют. Совокупный вес является важным показателем для транзакций, находящихся на пути к одобрению в сети, и стратегия выбора подсказок для одобрения имеет ключевое значение и является вопросом калибровки предвзятости таким образом, чтобы, хотя она и дестимулировала ленивое поведение, в то же время не оставлять советы неутвержденными.

Это снова напоминает способ, которым нейроны формируют связи и передают сигналы, поскольку активация нейрона зависит от суммы активаций других нейронов, умноженной на их вес, и когда эта сумма достигает порога, он запускает потенциал действия, который распространяется сигнал дальше.

Равновесие Нэша: рациональность без принуждения

Принятие решений — это аспект функционирования любой динамической системы интерактивных отношений, а равновесие Нэша — это концепция теории игр, характеризующая состояние, в котором каждый актор оптимизирует свою стратегию в соответствии с выбором всех других участников. По сути, равновесие Нэша — это закон самоочевидности и прагматизма, который не требует контроля даже при отсутствии принудительных механизмов. (Например, всем имеет смысл следовать сигналам светофора).

Документ под названием Равновесие в клубке от 8 марта 2018 года доказывает существование равновесия Нэша в клубке в произведенных симуляциях, где показано, что даже при отсутствии строгих (а только приблизительных) правил выбора транзакций , когда большое количество узлов следует некоторому эталонному правилу, любому такому узлу выгодно придерживаться правила того же типа (эгоистичные участники будут сотрудничать со своим клубком, поскольку нет стимула отклоняться).

Это имеет смысл в контексте IOTA и общей логики системы, где пользователи рассматриваются как устройства, с которыми они взаимодействуют, и как побочный продукт самой сети. Эти предпосылки создают среду, которая по своей природе носит совместный характер, поскольку пользователи вносят свой вклад в стабильность и безопасность сети, просто используя ее.

Вывод

В отличие от других форм распределенных реестров, клубок IOTA имеет дело с вероятностями и позволяет избежать ловушек захвата и централизации, расширяя возможности сети и ее полезной роли в оптимизации взвешенных решений, а не какой-либо конкретной привилегированной стороны, глобального решения или идеологической склонности.

Еще из этой серии

Первоначально опубликовано на www.bitrates.com.