使用機(jī)器學(xué)習(xí)來(lái)分析區(qū)塊鏈數(shù)據(jù)集是一個(gè)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(duì)機(jī)器學(xué)習(xí)的實(shí)踐者提出了非常獨(dú)特的挑戰(zhàn)。然而這些挑戰(zhàn)被轉(zhuǎn)化為大多數(shù)傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)的主要障礙。機(jī)器智能技術(shù)的快速發(fā)展使得新機(jī)器學(xué)習(xí)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(yàn)了這些新方法，以提高市場(chǎng)情報(bào)信號(hào)的效率。今天，我想簡(jiǎn)要介紹一下機(jī)器學(xué)習(xí)領(lǐng)域的一些新思想，它們可以在分析區(qū)塊鏈數(shù)據(jù)時(shí)產(chǎn)生有趣的結(jié)果。

區(qū)塊鏈數(shù)據(jù)集提供了一個(gè)與加密貨幣資產(chǎn)行為相關(guān)的獨(dú)特的數(shù)據(jù)宇宙，因此，為機(jī)器學(xué)習(xí)方法的應(yīng)用提供了獨(dú)特的機(jī)會(huì)。然而，區(qū)塊鏈數(shù)據(jù)集的性質(zhì)和結(jié)構(gòu)給機(jī)器學(xué)習(xí)方法帶來(lái)了獨(dú)特的挑戰(zhàn)。雖然我們可能認(rèn)為區(qū)塊鏈數(shù)據(jù)集是機(jī)器學(xué)習(xí)應(yīng)用程序的天堂，但傳統(tǒng)方法通常會(huì)遇到一些意想不到的挑戰(zhàn)：

·缺少標(biāo)記數(shù)據(jù)：區(qū)塊鏈數(shù)據(jù)集中只有很少的標(biāo)記數(shù)據(jù)可用于訓(xùn)練機(jī)器學(xué)習(xí)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(jìn)行分析。

·缺乏基準(zhǔn)測(cè)試模型：機(jī)器學(xué)習(xí)就是將模型與其他模型進(jìn)行基準(zhǔn)測(cè)試。在一個(gè)很少有文檔記錄的模型產(chǎn)生可信結(jié)果的空間中，這樣的結(jié)果有點(diǎn)困難。

傳統(tǒng)的機(jī)器學(xué)習(xí)思想

傳統(tǒng)的機(jī)器學(xué)習(xí)實(shí)踐者將世界分為兩類模型：

·監(jiān)督學(xué)習(xí)（Unsupervised Learning）：有監(jiān)督學(xué)習(xí)（Supervised Learning）這個(gè)名稱表示有一名導(dǎo)師作為老師在場(chǎng)。基本上，監(jiān)督學(xué)習(xí)是一種我們使用數(shù)據(jù)來(lái)教或訓(xùn)練機(jī)器的學(xué)習(xí)，這些數(shù)據(jù)都有很好的標(biāo)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(xué)習(xí)：非監(jiān)督學(xué)習(xí)是機(jī)器使用既不分類也不標(biāo)記的信息進(jìn)行訓(xùn)練，并允許算法在沒有指導(dǎo)的情況下對(duì)該信息進(jìn)行操作。在這里，機(jī)器的任務(wù)是根據(jù)相似、模式和差異對(duì)未排序的信息進(jìn)行分組，而不需要事先對(duì)數(shù)據(jù)進(jìn)行任何訓(xùn)練。

在區(qū)塊鏈數(shù)據(jù)集中，由于標(biāo)記數(shù)據(jù)集的有限可用性，監(jiān)督學(xué)習(xí)應(yīng)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(zhǔn)進(jìn)行比較的情況下，很難判斷其性能。

為了幫助改進(jìn)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(lái)在機(jī)器學(xué)習(xí)社區(qū)中獲得廣泛關(guān)注的新方法。

新的機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)研究技術(shù)的黃金時(shí)代。今天，機(jī)器學(xué)習(xí)框架和平臺(tái)正在迅速整合許多技術(shù)，幫助實(shí)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(shù)與區(qū)塊鏈數(shù)據(jù)集的分析非常相關(guān)。

半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)是近年來(lái)備受關(guān)注的機(jī)器學(xué)習(xí)領(lǐng)域之一。從概念上講，半監(jiān)督學(xué)習(xí)是監(jiān)督學(xué)習(xí)的一種變體，它結(jié)合了用于訓(xùn)練的標(biāo)記和未標(biāo)記數(shù)據(jù)集。半監(jiān)督學(xué)習(xí)的原理是利用少量的帶標(biāo)簽的監(jiān)督學(xué)習(xí)和大量的無(wú)標(biāo)簽的非監(jiān)督學(xué)習(xí)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(zhǔn)確性。

在區(qū)塊鏈分析中，半監(jiān)督學(xué)習(xí)可以用于訓(xùn)練模型，這些模型可以對(duì)參與者（如交換器或錢包）進(jìn)行分類，而不需要依賴大型標(biāo)記數(shù)據(jù)集進(jìn)行訓(xùn)練。例如，分類器可以學(xué)習(xí)使用幾個(gè)標(biāo)記地址來(lái)識(shí)別加密貨幣交易，并使用一個(gè)更大的未標(biāo)記地址池來(lái)進(jìn)行擴(kuò)展。

遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種表示法學(xué)習(xí)，其基礎(chǔ)是通過重用以前任務(wù)中的知識(shí)來(lái)掌握新任務(wù)的思想。傳統(tǒng)的學(xué)習(xí)是孤立的，只基于特定的任務(wù)、數(shù)據(jù)集和單獨(dú)的訓(xùn)練模型。沒有可以從一個(gè)模型轉(zhuǎn)移到另一個(gè)模型的知識(shí)被保留。在遷移學(xué)習(xí)中，您可以利用以前訓(xùn)練過的模型中的知識(shí)（特性、權(quán)重等）來(lái)訓(xùn)練新的模型。

當(dāng)涉及到區(qū)塊鏈數(shù)據(jù)分析時(shí)，可以使用遷移學(xué)習(xí)來(lái)構(gòu)建模型，從而從以前的任務(wù)中歸納出知識(shí)。例如，識(shí)別異常比特幣轉(zhuǎn)移的模型可以將其知識(shí)推廣到以太坊區(qū)塊鏈。

AutoML與自動(dòng)化

設(shè)計(jì)機(jī)器學(xué)習(xí)模型是一項(xiàng)難以置信的主觀任務(wù)，它通常依賴于數(shù)據(jù)科學(xué)家的經(jīng)驗(yàn)，而這些經(jīng)驗(yàn)沒有經(jīng)過客觀測(cè)試。一個(gè)給定的機(jī)器學(xué)習(xí)問題可以有無(wú)限個(gè)解，很難理解我們是否有這個(gè)問題的正確解。

AutoML是一種新技術(shù)，旨在自動(dòng)創(chuàng)建機(jī)器學(xué)習(xí)模型。對(duì)于給定的數(shù)據(jù)集、一系列優(yōu)化指標(biāo)和一些時(shí)間或資源方面的約束，AutoML方法應(yīng)該能夠評(píng)估成千上萬(wàn)的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)并產(chǎn)生最優(yōu)結(jié)果。雖然有效的數(shù)據(jù)科學(xué)團(tuán)隊(duì)可能能夠評(píng)估給定問題的12個(gè)模型，但是AutoML方法可以在相對(duì)可管理的時(shí)間內(nèi)快速搜索成千上萬(wàn)的體系結(jié)構(gòu)。

在區(qū)塊鏈數(shù)據(jù)集中，NAS和AutoML可以幫助我們?cè)u(píng)估給定場(chǎng)景的大量模型。例如，我們可以評(píng)估數(shù)百個(gè)模型，得出一個(gè)更完善的架構(gòu)，而不是設(shè)計(jì)一個(gè)特定的神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)交易所資金流動(dòng)。

元學(xué)習(xí)

元學(xué)習(xí)可以簡(jiǎn)單地定義為獲取知識(shí)多樣性的能力。作為人類，我們能夠用最少的信息同時(shí)獲得多個(gè)任務(wù)。我們可以通過看到一個(gè)新的物體的圖片來(lái)識(shí)別它，或者我們可以同時(shí)學(xué)習(xí)復(fù)雜的、多任務(wù)的活動(dòng)，比如駕駛飛機(jī)。雖然人工智能代理可以掌握非常復(fù)雜的任務(wù)，但它們需要在任何原子子任務(wù)上進(jìn)行大量訓(xùn)練，而且它們?cè)诙嗳蝿?wù)處理方面仍然非常糟糕。一種流行的元學(xué)習(xí)技術(shù)被稱為“少鏡頭學(xué)習(xí)”（few-shot learning），它可以創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)，通過模仿極簡(jiǎn)數(shù)據(jù)集來(lái)學(xué)習(xí)，例如，嬰兒如何通過只看一兩張照片來(lái)學(xué)習(xí)識(shí)別物體。

在區(qū)塊鏈分析中，我們可以使用元學(xué)習(xí)來(lái)重用識(shí)別模式（如惡意傳輸）的模型來(lái)識(shí)別有用信息（如支付交易）。

這些是一些新的機(jī)器學(xué)習(xí)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(shù)的應(yīng)用將從一個(gè)開放的實(shí)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(zé)任編輯：ct