區(qū)塊鏈數(shù)據(jù)集有怎樣的機器學習方法

使用機器學習來分析區(qū)塊鏈數(shù)據(jù)集是一個令人著迷的挑戰(zhàn)。區(qū)塊鏈數(shù)據(jù)集除了具有不可思議的潛力，可以幫助我們了解加密貨幣資產(chǎn)的行為，但是這對機器學習的實踐者提出了非常獨特的挑戰(zhàn)。然而這些挑戰(zhàn)被轉化為大多數(shù)傳統(tǒng)機器學習技術的主要障礙。機器智能技術的快速發(fā)展使得新機器學習方法的產(chǎn)生成為可能，這些方法非常適用于區(qū)塊鏈數(shù)據(jù)集的分析。在IntoTheBlock，我們定期試驗了這些新方法，以提高市場情報信號的效率。今天，我想簡要介紹一下機器學習領域的一些新思想，它們可以在分析區(qū)塊鏈數(shù)據(jù)時產(chǎn)生有趣的結果。

區(qū)塊鏈數(shù)據(jù)集提供了一個與加密貨幣資產(chǎn)行為相關的獨特的數(shù)據(jù)宇宙，因此，為機器學習方法的應用提供了獨特的機會。然而，區(qū)塊鏈數(shù)據(jù)集的性質(zhì)和結構給機器學習方法帶來了獨特的挑戰(zhàn)。雖然我們可能認為區(qū)塊鏈數(shù)據(jù)集是機器學習應用程序的天堂，但傳統(tǒng)方法通常會遇到一些意想不到的挑戰(zhàn)：

·缺少標記數(shù)據(jù)：區(qū)塊鏈數(shù)據(jù)集中只有很少的標記數(shù)據(jù)可用于訓練機器學習模型。

·模糊數(shù)據(jù)：區(qū)塊鏈充滿了加密或模糊的數(shù)據(jù)，幾乎不可能進行分析。

·缺乏基準測試模型：機器學習就是將模型與其他模型進行基準測試。在一個很少有文檔記錄的模型產(chǎn)生可信結果的空間中，這樣的結果有點困難。

傳統(tǒng)的機器學習思想

傳統(tǒng)的機器學習實踐者將世界分為兩類模型：

·監(jiān)督學習（Unsupervised Learning）：有監(jiān)督學習（Supervised Learning）這個名稱表示有一名導師作為老師在場。基本上，監(jiān)督學習是一種我們使用數(shù)據(jù)來教或訓練機器的學習，這些數(shù)據(jù)都有很好的標記，這意味著一些數(shù)據(jù)已經(jīng)有了正確的答案。

·非監(jiān)督學習：非監(jiān)督學習是機器使用既不分類也不標記的信息進行訓練，并允許算法在沒有指導的情況下對該信息進行操作。在這里，機器的任務是根據(jù)相似、模式和差異對未排序的信息進行分組，而不需要事先對數(shù)據(jù)進行任何訓練。

在區(qū)塊鏈數(shù)據(jù)集中，由于標記數(shù)據(jù)集的有限可用性，監(jiān)督學習應用程序是有限的。非監(jiān)督方法可能非常有效，但在缺乏其他模型或基準進行比較的情況下，很難判斷其性能。

為了幫助改進區(qū)塊鏈數(shù)據(jù)分析中的非監(jiān)督和監(jiān)督方法，我們嘗試使用一些近年來在機器學習社區(qū)中獲得廣泛關注的新方法。

新的機器學習方法，可以幫助我們了解區(qū)塊鏈數(shù)據(jù)集

我們生活在機器學習研究技術的黃金時代。今天，機器學習框架和平臺正在迅速整合許多技術，幫助實現(xiàn)傳統(tǒng)監(jiān)督和非監(jiān)督方法之外的新功能。我們發(fā)現(xiàn)其中一些技術與區(qū)塊鏈數(shù)據(jù)集的分析非常相關。

半監(jiān)督學習

半監(jiān)督學習是近年來備受關注的機器學習領域之一。從概念上講，半監(jiān)督學習是監(jiān)督學習的一種變體，它結合了用于訓練的標記和未標記數(shù)據(jù)集。半監(jiān)督學習的原理是利用少量的帶標簽的監(jiān)督學習和大量的無標簽的非監(jiān)督學習數(shù)據(jù)，在許多情況下可以比完全監(jiān)督的模型產(chǎn)生更好的準確性。

在區(qū)塊鏈分析中，半監(jiān)督學習可以用于訓練模型，這些模型可以對參與者（如交換器或錢包）進行分類，而不需要依賴大型標記數(shù)據(jù)集進行訓練。例如，分類器可以學習使用幾個標記地址來識別加密貨幣交易，并使用一個更大的未標記地址池來進行擴展。

遷移學習

遷移學習是一種表示法學習，其基礎是通過重用以前任務中的知識來掌握新任務的思想。傳統(tǒng)的學習是孤立的，只基于特定的任務、數(shù)據(jù)集和單獨的訓練模型。沒有可以從一個模型轉移到另一個模型的知識被保留。在遷移學習中，您可以利用以前訓練過的模型中的知識（特性、權重等）來訓練新的模型。

當涉及到區(qū)塊鏈數(shù)據(jù)分析時，可以使用遷移學習來構建模型，從而從以前的任務中歸納出知識。例如，識別異常比特幣轉移的模型可以將其知識推廣到以太坊區(qū)塊鏈。

AutoML與自動化

設計機器學習模型是一項難以置信的主觀任務，它通常依賴于數(shù)據(jù)科學家的經(jīng)驗，而這些經(jīng)驗沒有經(jīng)過客觀測試。一個給定的機器學習問題可以有無限個解，很難理解我們是否有這個問題的正確解。

AutoML是一種新技術，旨在自動創(chuàng)建機器學習模型。對于給定的數(shù)據(jù)集、一系列優(yōu)化指標和一些時間或資源方面的約束，AutoML方法應該能夠評估成千上萬的神經(jīng)網(wǎng)絡體系結構并產(chǎn)生最優(yōu)結果。雖然有效的數(shù)據(jù)科學團隊可能能夠評估給定問題的12個模型，但是AutoML方法可以在相對可管理的時間內(nèi)快速搜索成千上萬的體系結構。

在區(qū)塊鏈數(shù)據(jù)集中，NAS和AutoML可以幫助我們評估給定場景的大量模型。例如，我們可以評估數(shù)百個模型，得出一個更完善的架構，而不是設計一個特定的神經(jīng)網(wǎng)絡來預測交易所資金流動。

元學習

元學習可以簡單地定義為獲取知識多樣性的能力。作為人類，我們能夠用最少的信息同時獲得多個任務。我們可以通過看到一個新的物體的圖片來識別它，或者我們可以同時學習復雜的、多任務的活動，比如駕駛飛機。雖然人工智能代理可以掌握非常復雜的任務，但它們需要在任何原子子任務上進行大量訓練，而且它們在多任務處理方面仍然非常糟糕。一種流行的元學習技術被稱為“少鏡頭學習”（few-shot learning），它可以創(chuàng)建深度神經(jīng)網(wǎng)絡，通過模仿極簡數(shù)據(jù)集來學習，例如，嬰兒如何通過只看一兩張照片來學習識別物體。

在區(qū)塊鏈分析中，我們可以使用元學習來重用識別模式（如惡意傳輸）的模型來識別有用信息（如支付交易）。

這些是一些新的機器學習方法，可以成為非常有用的區(qū)塊鏈數(shù)據(jù)分析。隨著加密貨幣分析空間的發(fā)展，其中一些技術的應用將從一個開放的實踐變成必須的，以產(chǎn)生有意義的，能夠幫助我們理解加密貨幣資產(chǎn)的行為。

責任編輯：ct