هوش مصنوعی
سامانه‌ای برای سنجش اعتبار عامل‌های هوش مصنوعی با مقاومت بیشتر در برابر حملهٔ سیبیل
پژوهشگران با تحلیل ۶۶ میلیون تراکنش در ۱۶ بلاک‌چین، روشی برای رتبه‌بندی ارائه‌دهندگان خدمات طراحی کرده‌اند که دست‌کاری آن، در شبیه‌سازی‌ها، حدود ۲۳ برابر دشوارتر از یک روش رایج بوده است.
انتخاب ارائه‌دهندهٔ خدمات در بازارهای زنجیره‌ایِ بدون مجوز برای عامل‌های خودکار هوش مصنوعی دشوار است: رتبه‌بندی بر اساس حجم تراکنش می‌تواند با حساب‌های جعلی یا حملهٔ سیبیل دست‌کاری شود و روش‌های دیگر نیز به نظرات کاربران، گزینش انسانی یا مدارک هویتی متکی‌اند. پژوهش تازه‌ای در arXiv بررسی می‌کند که آیا سابقهٔ پرداخت‌های زنجیره‌ای می‌تواند مبنای رتبه‌بندی مقاوم‌تری باشد.
پژوهشگران داده‌های ۱۵۷ روز را بررسی کردند: ۶۶ میلیون تراکنش عامل‌های هوش مصنوعی به ارزش ۶٫۱ میلیون دلار در ۱۶ بلاک‌چین. آن‌ها جریان پرداخت‌ها را به شکل گرافی دو‌بخشی از خریداران و ارائه‌دهندگان مدل کردند و امتیاز هر ارائه‌دهنده را بر اساس مسیرهای گرافی مرتبط با شبکهٔ مورداعتماد قبلیِ خریدار به دست آوردند. مقاله سه الگوریتم پیشنهاد می‌کند: یک روش مبتنی بر جریان بیشینه و دو روش تعدیل‌شده که برای بهبود عملکرد رتبه‌بندی طراحی شده‌اند.
در ارزیابی شبیه‌سازی‌شده با مهاجمان و ۸۱۳ خریدار، دست‌کاری رتبه‌بندی هزینه‌ای برابر با ۲۰ درصد کل مخارج آن خریداران داشت. به گفتهٔ پژوهشگران، دست‌کاری این روش‌ها حدود ۲۳ برابر دشوارتر از قاعدهٔ شباهتِ متداول در فیلتر مشارکتی بود. این نتایج مربوط به ارزیابی شبیه‌سازی‌شده است و مقاله در حال حاضر به‌صورت پیش‌چاپ در arXiv منتشر شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده