零售行业BlockChain中使用的传统vs深度学习算法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

零售行业BlockChain中使用的传统vs深度学习算法
通过BlockChain在零售中使用SecureSVM，Boosting，Bagging，集群，LSTM，CNN，GAN
介绍
该博客重点介绍了区块链交易中使用的不同ML算法，并特别强调了零售支付中的比特币。该博客的结构如下：
区块链在零售行业中的作用概述。
比特币零售支付中使用了不同的传统算法（SecureSVM，装袋，  增强群集） 与深度学习算法（LSTM，CNN 和 GAN）。
零售中的区块链
区块链技术通过为供应链提供真实性来应对这些挑战。区块链解决零售供应链的潜力体现在三个方面。
出处：零售商和客户都可以跟踪整个供应链上的整个产品生命周期。
智能合约：易于滞后的不同合作伙伴之间的交易可以实现自动化，从而提高效率。
IoT backbon e：支持用于IoT设备的低功耗网状网络，从而减少了对中央服务器的需求，并增强了传感器数据的可靠性。
使用传统算法
支持向量机（SVM）支持高效的数据分类，从而在零售行业中找到其在检测客户忠诚度，异常检测和客户行为分类等场景中的应用。开发了SecureSVM，它是SVM算法的安全修改版，并能够使用基于区块链的加密IoT数据对保留隐私的SVM方案进行培训。区块链设计和架构可帮助在同一品牌的多个零售商店之间建立安全可靠的数据共享平台，其中物联网数据经过加密，然后记录在分布式分类帐中。删除受信任方并引入增强的安全性可确保每个数据提供者的敏感数据以及SVM模型参数的机密性。下图代表 特征提取和模板创建，  用于训练数据以对SecureSVM建模。
SecureSVM具有基于块加扰的提取功能加密，
Source  -SecureSVM，具有基于块加扰的提取特征加密
诸如Boosting，Bagging（例如GradientBoost，AdaBoost，Random Forest，ExtraTrees）之类的监督学习算法   可用于发现零售支付中的比特币区块链匿名性。比特币是一种加密货币，其交易记录在分布式，可公开访问的分类帐中。由于比特币提供了高度的匿名性，而实体的真实世界身份却隐藏在化名之后，因此监督学习算法在通过将比特币地址聚类来揭示来自不同交易的买家的匿名性方面具有很大的应用前景。下图说明了 一种  通过预测尚未确定的集群类别来识别比特币集群的  可能所有者的机制。
来源-https: //core.ac.uk/reader/143481278
K-means聚类 用于零售支付中以识别恶意活动。随着零售商接受比特币作为一种支付方式，不同应用中比特币的发展势必将彻底改变支付方案。由于比特币使用区块链技术，允许通过网络在多方之间共享/处理数据，因此检测可能是恶意的并参与非法活动的异常节点变得至关重要。下图说明了使用  群集技术来识别和接受真实用户之间的交易并拒绝它的情况
资料来源-http : //www.acadpubl.eu/hub/2018-118-21/articles/21a/50.pdf
区块链可以基于其行为模式进行分组。为了分析行为，选择的参数是一个事务花费的  时间  以及  从一个节点到另一节点的涉及金额。选择此参数的原因是通常交易量是节点最重要和最重要的特征。为此，使用的算法是K均值。
该算法是在提取表示节点行为的序列数据，然后将节点聚类为类别之后实现的。聚类后??，可以将每个类别的代表性行为模式选择为行为模板，以识别不符合任何模板的奇怪行为模式。此外，将行为模式聚类到类别中不仅可以导致对区块链网络的更深入了解，还可以帮助维护者管理和组织节点
上图描述了群集对象之间如何交互以及如何帮助保护区块链。让我们假设存在一个恶意节点（M），其群集质心为Cm。如果M同时向两个不同的节点发起两个事务，例如T1和T2（称为双花攻击），则Cm将了解该事务，因为该事务将添加到块中。当Cm知道节点M正在执行恶意活动时，它将丢弃两个事务并显示错误消息。如果交易要在两个真正的用户之间进行，并且该节点没有进行任何恶意活动，则该交易将从Cm发送到另一个节点（即必须接受该交易的节点）的群集质心，并且该质心将继续进行交易到该节点。完成所有这些操作之后，无论有效还是无效的交易都将添加到分布式分类帐中，该分类帐将记录所有曾经发生的交易。
为了评估聚类序列的相似性度量，首先实施k-means算法，然后可以增强特征。为了找到两个序列之间的相似性，有多种选择技术，例如欧氏距离（EDR），动态时间包装（DTW）和最长公共子序列（LCSS）。 DTW  是一个更好的选择，因为它使用适合BlockChain系统的不同长度的序列，所有块的长度都不同。
深度学习算法的使用
基于区块链的信用评估系统
可以使用基于区块链的信用评估系统来增强零售供应链中监督和管理的有效性。如下图所示，系统通过智能合约在区块链上收集交易者的信用评估文本。然后，通过名为长期短期记忆（LSTM）的深度学习网络对收集到的文本进行不同情感分析  。最后，贸易商  （例如农民，生产工厂，分销商，零售商和消费者）的 信用结果可作为对监管者进行监督和管理的参考。通过应用区块链，交易者可以对交易和信用评估过程中的行为负责。调压器 （管理交易者的身份验证，授权，监视，交易和信用评估）  可以收集有关交易者的更可靠，真实和充分的信息。
基于区块链的信用评估系统
资料来源：基于区块链的信用评估系统
GAN和LSTM的价格预测
比特币和其他加密货币备受关注，因为它们提供了绕开昂贵的付款方式而便宜得多的机会。它通过保持商品的真实性，使原产国标签，供应链中的产品安全跟踪变得更加容易，区块链记录了产品从生产商到消费者的整个供应链中生命周期中的每个接触点。
流行感触动了零售业，其中使用 BitPay Checkout应用程序在多个设备上启用了区块链支付。
观看此视频
零售中的BitPay，来源：https ：//bitpay.com/retail
为了使用机器学习预测零售行业中的比特币价格，可以使用的一些流行模型是  贝叶斯优化的递归神经网络（RNN） 和 长期短期记忆（LSTM）网络ARIMA模型。
传统的时间序列预测方法（例如Holt-Winters指数平滑模型）依赖于线性假设，并且需要能够分解为趋势，季节性和噪声的数据才能有效。这种类型的方法更适合诸如季节性影响存在的情况下预测销售之类的任务。由于比特币市场缺乏季节性和高波动性，因此这些方法对于此任务不是很有效。
此类任务使用顺序性质的数据，因此类似于价格预测任务。由于更高级算法的时间特性，与传统的多层感知器（MLP）相比，循环神经网络（RNN）和长期短期记忆（LSTM）更受青睐。
MLP和类似RNN的局限性在于它们受到消失梯度问题的影响。这个问题是，随着网络的各层和时间步长通过乘法相互关联，导数易于爆炸或消失。MLP的另一个限制是它的信号仅以静态方式在网络中转发。结果，它不能有效地识别时间序列任务的时间要素。循环神经网络，也称为动态神经网络，解决了其中一些局限性。
生成对抗网络（GAN）用于异常检测
在供应链中，从供应商，供应商的供应商，物流供应商，承运人，货物，港口的货物转移涉及监控实时状态和可见性，这些交易需要：
评估一段时间内的模式和趋势
找出导致异常的伙伴
查找日期模式和/或事件驱动的事件。
零售中供应链项目的价格和可用性可以用时间序列表示，因此可以结合使用LSTM-GAN。 生成对抗网络（GAN）  是一个通过对抗过程估算生成模型的框架，在该框架中，我们同时训练了两个模型：捕获数据分布的生成模型和估计样本真正来自训练的概率的区分模型。数据。
LSTM-GAN组合可以基于正确数量的产品的可用性，产品需求，零售商的促销，竞争促销，客户口味和偏好的变化，来学习零售商品库存的特征和价格趋势。
发生器G在每个时间步长都从潜在空间中获取随机噪声。样本输出从生成器G生成，并与实际样本进行切换，以作为鉴别器D的输入。鉴别器D获得切换后的样本，执行分类任务并给出单个输出（真实或假）。
LSTM已被用作GAN的基本结构，以识别供应链中的异常模式。LSTM网络由 忘记门f，输入门i，存储单元更新C和输出门o组成。遗忘门决定保留多少历史数据。输入门决定将更新哪些值。存储器单元更新会将旧的单元状态更新为新的状态。输出门选择将要发送的单元状态部分。
在下图中，  长期短期记忆（LSTM）  被用作GAN的基本结构，该  GAN以无监督的方式学习了正常的市场行为。训练后，  GANs的判别器网络用作检测器，以区分正常供应与供应链中的异常值，以帮助有效地管理浪费和可用性。
GAN与LSTM：
来源 -具有LSTM的GAN
由于LSTM可用于GAN，因此 LSTM和CNN（卷积神经网络）组合  也可用于创建GAN。CNN由输入层和输出层以及多个隐藏层组成。CNN的隐藏层通常由卷积层，池化层，完全连接的层和规范化层组成。
下图说明了这样的组合（GAN-FD体系结构），其中生成器基于LSTM建立，适用于预测Yt + 1。判别器基于CNN，目的是估算序列是实数（Y）还是被预测（Y）的概率。
具有LSTM和CNN的GAN
资料来源-https : //www.hindawi.com/journals/mpe/2018/4907423/
判别模型基于CNN架构，并对从生成器LSTM生成的一维输入序列执行卷积运算，以估计序列是来自数据集还是由生成模型生成的可能性。
使用GANS的主要目的是对抗损失可以  模拟商品的定价特征。零售商 可以使用生成模型通过可用的指标数据预测库存商品的价格  ，然后借助判别模型判断先前库存的  正确预测概率。
结论
在此博客中，我们尝试强调在零售行业中使用GANS的主要目标。除此之外，我们还讨论了传统和深度学习算法在零售中使用比特币的应用。
在GAN中，对抗性损失可以  模拟商品的定价特征。零售商 可以使用生成模型通过可用的指标数据预测库存商品的价格  ，然后借助判别模型判断先前库存的  正确预测概率。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：block Chain 深度学习 lock 学习算法