[发明专利]人工智能软件市场

权利要求书

1.一种计算系统，包括:

网络接口，被配置为与网络中的节点通信；和

处理器，被配置为执行一个或多个迭代，每个迭代被配置为:

根据从消费者节点接收的一个或多个散列的验证数据集和在先前迭代中从生产者节点选择的数据点的散列来生成摘要；

将散列的摘要暴露给多个生产者节点；

响应于所暴露的散列的摘要，从所述多个生产者节点接收多个请求，其中每个请求标识由能够用于相应生产者节点的一个或多个数据样本的散列提供的边缘值；和

从所接收的请求当中选择生产者节点的请求，并取得与所选择的请求相关联的生产者节点的散列的数据；

其中，所述处理器还被配置为将生产者节点的散列的数据与在先前迭代中生成的摘要进行聚合，以生成更新的摘要，并经由分布式账本的数据块存储更新的摘要；所述处理器还被配置为在每个迭代中，基于生产者节点的散列的数据和一个或多个先前的摘要，确定由所选择的生产者节点提供的增加值的量；所述处理器还被配置为在将生产者节点的散列的数据与所述散列的摘要进行聚合之前，验证从所接收的散列的数据所确定的值的量等于包括在从生产者节点接收的请求中的值的量。

2.根据权利要求1所述的计算系统，其中，经由散列函数对生产者节点的散列的数据进行编码，并且经由不同的散列函数对来自所述处理器的摘要进行编码，以便防止基础数据从其散列的形式暴露出来并且启用所选择的数据样本的值属性。

3.根据权利要求1所述的计算系统，其中，所述处理器还被配置为控制所述网络接口从每个生产者节点取得用于训练AI模型的训练信息，其中在所述一个或多个迭代期间从所述每个生产者节点取得散列数据。

4.根据权利要求1所述的计算系统，其中，基于距离保持散列函数对生产者节点的散列的数据进行散列，所述距离保持散列函数保持在散列下的数据样本之间的相似性值。

5.根据权利要求1所述的计算系统，其中，所述处理器还被配置为从消费者节点接收初始验证数据集和基于所述初始验证数据集来构成AI模型的请求。

6.根据权利要求1所述的计算系统，其中，在所有迭代中，使用各种生产者节点的数据提供的总值是基于验证数据集和从生产者节点中选择的散列的数据样本的摘要之间的相似性度量。

7.一种计算机实现的方法，包括:

生成散列的摘要，所述散列的摘要包括一个或多个验证数据集的散列和在先前迭代中从生产者节点选择的数据点的散列，并将所述散列的摘要暴露给多个生产者节点；

迭代地分别从多个生产者节点接收多个请求，其中每个请求标识由能够用于生产者节点的一个或多个数据样本的散列提供的边缘值；

基于与所述请求相关联的边缘值，从所述多个请求当中选择从生产者节点接收的请求；

取得与所选择的请求相关联的生产者节点的散列的数据；和

将生产者节点的散列的数据与在一个或多个先前迭代中生成的散列的摘要进行聚合，以产生更新的摘要，并且经由分布式账本的数据块存储更新的摘要；在每个迭代中，基于生产者节点的散列的数据和一个或多个先前的摘要，确定由所选择的生产者节点提供的增加值的量；在将生产者节点的散列的数据与所述散列的摘要进行聚合之前，验证从所接收的散列的数据所确定的值的量等于包括在从生产者节点接收的请求中的值的量。

8.根据权利要求7所述的方法，其中，经由散列函数对生产者节点的散列的数据进行编码，并且经由不同的散列函数对摘要进行编码，以便防止基础数据从其散列的形式暴露出来并且启用所选择的数据样本的值属性。

9.根据权利要求7所述的方法，还包括：基于聚合的散列的摘要生成人工智能AI模型。

10.根据权利要求7所述的方法，其中，基于距离保持散列函数对生产者节点的散列的数据进行散列，所述距离保持散列函数保持在散列下的数据样本之间的相似性值。