欢迎来到985免费论文网-论文免费参考网!
当前位置: 首页 > 计算机论文 >

中本聪到底是谁

来源:985免费论文网  | 时间:2024-11-12 05:53:17 |

中本聪到底是谁

比特币白皮书最初于2008年底发布,当时创建者将其发送给加密邮件列表中的多个收件人。奇怪的是,它的创造者以Satoshi Nakamoto(中本聪)假设了一个伪造的身份,从此以后一直隐藏在这个假名背后。

2009年1月3日,中本聪通过挖掘分类账产生出比特币网络第一个区块,比特币网络诞生。在第一个区块中,他嵌入了文本:“泰晤士报2009年1月3日,财政大臣站在第二次救助银行的边缘”,向全人类昭告,比特币诞生意味着传统银行体系开始走向衰败。

许多人认为比特币是源于“密码朋克运动”观点的融合。中本聪此前曾发表过一篇500字的论文,他在文中写道:

传统货币的根本问题就是,它们必须得到全部的信任才能发挥作用。必须信任中央银行不会使货币贬值,然而历史上却不乏违背这一承诺的情况……

比特币白皮书表明中本聪精通经济学和计算机编程,并发挥这两大优势来创建安全可靠的比特币网络。

需要注意的是,2008年以前没有以中本聪为名的程序员。另外,他使用的电子邮件地址和网站都无法跟踪来源。因此,为什么一个拥有如此渊博学识的人会选择保持匿名,这是非常令人好奇的。

中本聪匿名的可能原因是……

中本聪试图建立一个去中心化的点对点支付系统,他为了避免成为该系统真实意义上的领导者,并且让人们相信他是创造者,从而选择匿名。此外,任何由中本聪发布的消息都可能被加密货币持有者视为投资建议,并可能导致价格波动。无论创造者想与不想,都可能发生这种情况。

之前莱特币创始人Charlie Lee之前表示自己清仓莱特币时,也是出现了这样不希望出现的情况。在Reddit帖子上,Charlie Lee解释说:

每当我发布关于莱特币价格好消息或坏消息的推文时,我都会被指责是为了个人利益而这样做。有人甚至认为我在骗取莱特币!因此,从某种意义上对我来说,持有莱特币并发布推特是有利益冲突的,因为我的影响力非常大。

Nakamoto决定保持匿名,是为了避免所有可能的利益冲突?

避免当局追查

可以解释中本聪匿名的另一个原因是,替代货币的创造者很容易将自己置于危险之中。

1998年,夏威夷的一位名叫Bernard Von NotHaus的居民创建了一种私人货币,并命名为Liberty Dollar。该货币曾经盛行了一段时间,但它的铸币活动在2007年突然被联邦调查局和特勤局突击检查。在2009年的刑事诉讼之后,该货币被查封,Bernard Von NotHaus因 “制造与美国的官方货币竞争的私人硬币”而获罪。

此外,在2007年一种名为e-Gold的数字货币被指控非法,因为它没有收集足够的客户信息。它的主人被判处软禁,公司被关闭。政府机构在替代货币领域对企业家逮捕很可能是中本聪决定匿名的一个因素。

比特币所有人都可以使用。这意味着它可以用来支付合法和非法的服务费用,法定货币也是如此。然而,它在暗网市场上一直是流行的付款。臭名昭著的暗网市场创造者和运营商Ross Ulbricht,因为为贩卖毒品和其他违禁物品的交易提供便利而被判处监禁。

Ross Ulbricht于2017年12月向美国最高法院对他的判决提出上诉,但此时仍在监狱中。如果中本聪透露了他的真实身份,可以推断他可能面临类似的命运。

他会是谁?

2016年澳大利亚程序员Craig Wright宣称他是中本聪。他提供了一些证据,不过后来发现这些证据并不确凿,因为他们可以从分类账中公开获得。他还被指责伪造公告和博客帖子,以表现为真实的中本聪。例如,以太坊创始人Vitalik Buterin最近称Craig Wrigh是个骗子。

另一位是Hal Finney。他是一位著名的密码朋克和密码学家。他也是2009年第一个从中本聪那里接收比特币的人。此外,他还是第一个下载比特币客户端的人。然而,Hal Finney在2014年去世之前驳回了他是中本聪的说法。

有些人认为著名密码学家Nick Szabo很有可能是中本聪。他在比特币推出之前为分布式数字货币设计了架构,他称之为Bitgold。虽然架构从未动过,但与比特币的设计有相似之处。这导致了广泛的猜测。但是,他一再否认了这一说法。

尽管中本聪的真实身份可能永远不会被真实揭晓,但重要的是该技术的运作没有受到任何影响。

首先从概念上了解一下:

比特币(Bitcoin)的概念最初由中本聪在2008年11月1日提出,并于2009年1月3日正式诞生。根据中本聪的思路设计发布的开源软件以及建构其上的P2P网络。比特币是一种P2P形式的虚拟的加密数字货币。点对点的传输意味着一个去中心化的支付系统。

它与普通货币的主要区别:

比特币不依靠特定货币机构发行,它依据特定算法,通过大量的计算产生,比特币经济使用整个P2P网络中众多节点构成的分布式数据库来确认并记录所有的交易行为,并使用密码学的设计来确保货币流通各个环节安全性。 P2P的去中心化特性与算法本身可以确保无法通过大量制造比特币来人为操控币值。基于密码学的设计可以使比特币只能被真实的拥有者转移或支付。这同样确保了货币所有权与流通交易的匿名性。比特币与其他虚拟货币最大的不同,是其总数量非常有限,具有极强的稀缺性。

其特点概括如下:

去中心化:比特币是第一种分布式的虚拟货币,整个网络由用户构成,没有中央银行,并且去中心化是比特币安全与自由的保证 。

全世界流通:比特币可以在任意一台接入互联网的电脑上管理。不管身处何方,任何人都可以挖掘、购买、出售或收取比特币。

专属所有权:操控比特币需要私钥,它可以被隔离保存在任何存储介质。除了用户自己之外无人可以获取。

低交易费用:可以免费汇出比特币,但最终对每笔交易将收取约1比特分的交易费以确保交易更快执行。

无隐藏成本:作为由A到B的支付手段,比特币没有繁琐的额度与手续限制。知道对方比特币地址就可以进行支付。

跨平台挖掘:用户可以在众多平台上发掘不同硬件的计算能力。

优点

  1. 完全去处中心化,没有发行机构,也就不可能操纵发行数量。其发行与流通,是通过开源的p2p算法实现。
  2. 匿名、免税、免监管。
  3. 比特币完全依赖p2p网络,无发行中心,所以外部无法关闭它。比特币价格可能波动、崩盘,多国政府可能宣布它非法,但比特币和比特币庞大的p2p网络不会消失。
  4. 无国界、跨境。跨国汇款,会经过层层外汇管制机构,而且交易记录会被多方记录在案。但如果用比特币交易,直接输入数字地址,点一下鼠标,等待p2p网络确认交易后,大量资金就过去了。不经过任何管控机构,也不会留下任何跨境交易记录。
  5. 山寨者难于生存。由于比特币算法是完全开源的,谁都可以下载到源码,修改些参数,重新编译下,就能创造一种新的p2p货币。但这些山寨货币很脆弱,极易遭到51%攻击。 任何个人或组织,只要控制一种p2p货币网络51%的运算能力,就可以随意操纵交易、币值,这会对p2p货币构成毁灭性打击。很多山寨币,就是死在了这一环节上。而比特币网络已经足够健壮,想要控制比特币网络51%的运算力,所需要的CPU/GPU数量将是一个天文数字。

缺点

  1. 交易平台的脆弱性。比特币网络很健壮,但比特币交易平台很脆弱。交易平台通常是一个网站,而网站会遭到黑客攻击,或者遭到主管部门的关闭。
  2. 交易确认时间长。比特币钱包初次安装时,会消耗大量时间下载历史交易数据块。而比特币交易时,为了确认数据准确性,会消耗一些时间,与p2p网络进行交互,得到全网确认后,交易才算完成。
  3. 价格波动极大。由于大量炒家介入,导致比特币兑换现金的价格如过山车一般起伏。使得比特币更适合投机,而不是匿名交易。
  4. 大众对原理不理解,以及传统金融从业人员的抵制。活跃网民了解p2p网络的原理,知道比特币无法人为操纵和控制。但大众并不理解,很多人甚至无法分清比特币和Q币的区别。“没有发行者”是比特币的优点,但在传统金融从业人员看来,“没有发行者”的货币毫无价值。

在此简单补充一点,希望能给你带来帮助:【预测领域中的真“绝色”:XGBoost】

全文共3492字,预计学习时长15分钟

前几天,Z同学面试完一脸生无可恋地问我,“你知道XGBoost吗?”“当然知道啊,前几天不看你还在手推来着。”“嗯,那你知道XGBoost的中英文全称是啥么?”“ummmmm...X的话难道是罗马数字10? G的话Gradient梯度,Boost的Boosting tree?所以是第十代梯度提升树?”“。。。换你答,你也凉。”

学习算法的最大误区还记得那个吐槽清华某毕业生连手写红黑树都不会却张口就要一万八的HR吗?

这事曾一度引起网友的广泛关注和热烈讨论,不过圈子不同,影响不同。对于普通吃瓜群众,“HR说得对,太膨胀。”对于某些资深程序猿,“我也不会,我月薪30k。”对于求职小白,“好慌,手写红黑树?面试不会还要手推SVM、XGBoost吧?溜了溜了,去推泰勒二次展开了。”然后,就像我的同学小Z一样,只顾着埋头推导XGBoost的二阶泰勒展开,却连XGBoost的中英文全称都答不上来。顾此失彼,乃是兵家大忌。很多时候,我们在学习算法时,要么过于纠结弄懂原理而忽略了从宏观上对算法有一个总体的了解和把握,要么是囫囵吞枣一口气看个十来篇博客介绍却往往还是一知半解不求甚解,可能还会莫名自我感觉良好。

基于此,本文就从宏观上来帮大家梳理梳理XGBoost,力求通俗易懂,精准得当。至于算法原理和资源链接嘛,请直接拜读陈天奇博士的论文XGBoost: A Scalable Tree Boosting System,同时请参考Github上的开源资源进行源码的学习和实战()。

什么是 XGBoost?

原图来自Unsplash(by Jared Subia)

十几年前,回归建模是预测分析中毫无争议的女王。但如今回归建模的时代已经结束,XGBoost已被成功加冕!XGBoost的英文全称为Extreme Gradient Boosting, 中文可以解释为极端梯度提升(Extreme,一听就很牛X),它是一种基于决策树的集成机器学习算法,采用了梯度提升(Gradient Boosting)框架。在预测有关非结构化数据(如图像、文本等)的问题时,人工神经网络往往表现得比其他算法或框架更出色。但在有关中小型结构/表格数据方面,基于决策树的算法则是目前为止的最佳。请参阅以下图表,了解几年来基于决策树的算法演变。

基于决策树的算法演变

XGBoost算法最初由华盛顿大学的一个研究项目发展而来。2016年,陈天奇和卡洛斯·格斯特林在知识发现和数据挖掘(SIGKDD)会议上共同发表了一篇论文,一时间这轰动了整个机器学习领域。自算法提出以来,它不仅帮助竞赛者赢得了多场Kaggle竞赛的胜利,还被几款尖端行业的应用所采纳。在GitHub上,有一群强大的数据科学家们为XGBoost开源项目提供帮助,约有350名科学家,总提交次数约为3,600次。

总体而言,XGBoost具有以下特征:

1. 应用广泛:可用于解决回归、分类、排名和用户定义的预测问题。

2. 移植性强:可在Windows、Linux和OS X上流畅运行。

3. 语言支持:支持目前主要的全部编程语言,包括C ++、Python、R、Java、Scala和Julia。

4. 云集成:支持AWS、GCE、Azure和 Yarn集群,可以与 Flink、Spark和其他云数据流系统集成。

通俗理解基于决策树的算法演变

照片来自Unsplash(by rawpixel)

假设你是一名面试官,正在面试几位资历优秀的候选人。基于决策树的算法演变中的每一环,都可看作面试过程的一部分。

1. 决策树:每名面试官都有一套面试评价标准,如教育水平、工作经验以及面试表现,通过决策树来预测分析,就类似于面试官根据他自己的标准面试候选人。

2. Bagging:假设现在面试官不止一名,而是一个面试小组,每名面试官都有一票,Bagging(也称作bootstrap aggregating)意味着通过民主投票,将所有面试官的投票结果进行输入,从而做出最终决定。

3. 随机森林:这是一种基于bagging的算法,与bagging的不同在于仅随机选择特征的子集。换句话说,每名面试官只会根据某些随机的资质测试(例如,测试编程技能的技术面试和非技术技能评估的行为面试)来考查面试者。

4. Boosting:这是一种动态评估方法,每位面试官根据前一位面试官的反馈,改变评估标准。通过部署更加动态的评估流程,“提高”面试流程的效率。

5. Gradient Boosting:这是Boosting的一种特殊情况,通过梯度下降算法将误差最小化,打个比方说,就好比战略咨询公司利用面试案例,剔除不合格的候选人。

6. XGBoost:将XGBoost视为强化版的的gradient boosting,毕竟extreme不是随随便便就能“冠”名的。它是软件和硬件优化技术的完美结合,可在最短的时间内,使用较少的计算资源,得到较为出色的结果。

XGBoost为什么这么“绝”?XGBoost之所以能叫XGBoost,因为她够“绝”(够Extreme)。XGBoost和Gradient Boosting Machines(GBMs)都是基于决策树的集合方法,通过梯度下降架构来提升较弱学习者(通常是CARTs)。通过系统优化和算法增强,XGBoost进一步改进了基础GBM框架。

XGBoost 如何优化GBM 标准算法

系统优化:

1. 并行化:

XGBoost通过多线程实现了回归树的并行构建。由于用于构建基础学习者的循环具有可互换性,因此设计并行是可能的。外部循环枚举树的节点,内部循环则计算特征。这种循环嵌套在一定程度上限制了并行化,当没有完成内部循环,外部循环就无法启动。因此,为改善运行时间,可通过对所有实例的全局扫描实现初始化,使用并行线程分类来交换循环顺序。这一交换通过抵消计算中的并行化开销,提高算法性能。

2. 决策树剪枝:

当剪枝分裂遇到一个负损失时,GBM会停止分裂。因此GBM实际上是一个贪心算法(只求达到局部最优解就ok)。但XGBoost会一直分裂到指定的最大深度(max_depth),然后回过头来剪枝。这种“深度优先”方法显著提高了计算性能。

3.硬件优化:

该算法旨在有效利用硬件资源。通过在每个线程中分配内部缓冲区,存储梯度统计信息,获取缓存感知。诸如“核外”计算等进一步增强功能可优化可用磁盘空间,同时处理不适合保存的大数据帧。

算法增强:

1. 正则化:

通过LASSO(L1)和Ridge(L2)正则化来对更为复杂的模型进行惩罚,防止过度拟合。

2. 稀疏性感知:

XGBoost具有稀疏性的离散特征,根据训练缺失自动“学习”最佳缺失值,并且可以更有效率地处理数据中不同类型的稀疏模式。

3. 加权分位数草图:

XGBoost采用分布式加权分位数草图算法,有效地找到加权数据集中的最佳分裂点。

4. 交叉验证:

在每次迭代时,该算法都有内置的交叉验证方法,无需显式地对搜索进行编程或明确在指定单次运行中所需的增强迭代数量。有何证据?我们使用Scikit-learn的“Make_Classification”数据包创建了一个包含20类特征(2类信息型和2类冗余型)的100万个数据点的随机样本。我们测试了几种算法,如逻辑回归、随机森林、标准Gradient Boosting和XGBoost。

使用SKLearn的Make_Classification数据集比较XGBoos与其他机器学习算法如上图所示,与其他算法相比,XGBoost模型是兼顾预测性能和处理时间的最佳预测。其他严格的基准研究也产生相同结果。正因如此,XGBoost在最近的数据科学竞赛中被广泛使用。如有疑问,请使用XGBoost。——Kaggle网站上Avito Context Ad Click Prediction竞赛的获奖者OwenZhang

XGBoost的未来尽管就目前而言,XGBoost的王座还难以撼动。但机器学习这一领域的学者大都比较活跃,而且不畏权贵,一心恋战。目前已有几种据说可以匹敌XGBoost的新算法框架被提出,比如微软研究中心新发布的LightGBM框架和Yandex Technology开发的CatBoost框架。

每当NIPS/ICML/KDD等顶级会议上一有新的算法被提出,最忙活的可能就是数据科学家了。数据科学家们必须测试所有可能的数据算法,以保证最终选择的算法是最佳的。

此外,选择正确的算法还远远不够,还必须通过不断调整超参数,正确对算法数据集进行配置。

此外,如何选择最佳的算法还有其他几个值得考虑的因素,例如算法的计算复杂度、可解释性以及实现的难易程度。而这正是机器学习开始从科学走向艺术的时刻。历史的车轮总是在不断向前滚动。XGBoost的铁王座早就被许多人觊觎垂涎,开发一个优于XGBoost的更强大的模型框架只是时间上的早晚问题。然而,在强大的挑战者出现之前,XGBoost将继续统治机器学习的世界!

留言 点赞 关注

我们一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”

量化投资本身是一个相当宽泛的概念,利用的东西大致可分为三类:行情指标,基本面指标,其他。

行情指标很多,其实看K线就是一种,相信没人不看;

基本面指标很多,最简单就是PE,PB,大家也都看;

其他就是比较另类的指标了,例如事件指标,股票被ST等。

说完以后就会发现,量化投资就是基本信息的组合利用,只要这些信息有效,结论就可能有效,剩下就看投资人如何利用了。武器都一样,看怎么用了,用的人水平如何。

指数增强就是比较典型的一种量化投资,切超额收益很多还不错,例如华泰柏瑞,富国等公司产品


《中本聪到底是谁》由:互联网用户整理提供;
链接地址:/show/90110.html
转载请保留,谢谢!
推荐专题
相关文章