由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1 PaddleDTX Documentation 1.2.1 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一方为任务执行节点，多个任务 执行节点组成一个 SMPC（多方安全计算）网络。计算需求节点将任务发布到区块链网络，任务执行节点确 认后执行任务。数据持有节点对任务执行节点的计算数据做信任背书。 计算需求节点（Requester）有训练模型和预测需求。 • 任务执行节点（Executor）拥有使用数据的权限，参与多方安全计算，进行模型训练和数据预测。 • 数据持有节点（DataOwner）是数据的归属方，有存储数据的需求。 • 存储节点（Storage Nodes）有丰富的闲置的存储资源，可以提供存储服务。 • 区块链节点构成区块链网络 (Blockchain Network)，基于不同的区块链框架，他们有不同的定义。 Documentation $ nohup ./xdb -c conf/config-dataowner.toml > dataowner.log & 注意：一般构建 PaddleDTX 网络至少需要两方参与，对应两个计算任务执行节点，每个任务执行 节点可以从一个或多个数据持有节点获取数据，这里为了说明方便启动一个数据持有节点，您也 可以根据实际需求自行启动多个数据存储节点和数据持有节点；配置中的

案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) 存储节点(Storage Node) 区块链节点(Blockchain Node) Distributed 数据隐私保护 机器学习算法 纵向联邦学习 团队 我们的团队 参与开发 参与开发&测试 参考文献 参考文献 系统介绍 PaddleDTX，是一个基于去中心化存储的专注于分布式机器学习技术的解决方 案，攻克海量隐私数据的安全存储问题，并且实现多方数据的安全交换，助其 突破数据孤岛，共同建模，联合发挥数据的最大价值。 主要特征 PaddleDTX的主要特征如下： 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习 去中心化管理存储节点，支持无上限数据纳管 保证多方数据联合建模的全链路可信 架构概览 PaddleDTX由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持

案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) 存储节点(Storage Node) 区块链节点(Blockchain Node) Distributed 数据隐私保护 机器学习算法 纵向联邦学习 团队 我们的团队 参与开发 参与开发&测试 参考文献 参考文献 系统介绍 PaddleDTX，是一个基于去中心化存储的专注于分布式机器学习技术的解决方 案，攻克海量隐私数据的安全存储问题，并且实现多方数据的安全交换，助其 突破数据孤岛，共同建模，联合发挥数据的最大价值。 主要特征 PaddleDTX的主要特征如下： 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习 去中心化管理存储节点，支持无上限数据纳管 保证多方数据联合建模的全链路可信 架构概览 PaddleDTX由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持

针对特征的处理逻辑，我们抽象出两个概念： Operator：通用特征处理逻辑，根据功能的不同又可以分为两类： ● IO OP：用处理原始特征的获取，如从 KV 里获取数据，或者从对应的第三方 服务中获取数据。内置批量接口，可以实现批量召回，减少 RPC。 ● Calc OP：用于处理对获取到的原始特征做与模型无关的逻辑处理，如拆分、 判空、组合。业务可以结合需求实现特征处理逻辑。 抽取完后，会对特征做一些通用的处理逻辑；而后，我们会根据模型的需求进行二次 变换，并将最终值输入到模型预估服务中。如下图所示： 4.1.2 特征计算 DSL 有了 Operator 的概念，为了方便业务方进行高效的特征迭代，Augur 设计了一套弱 类型、易读的特征表达式语言，将特征看成一系列 OP 与其他特征的组合，并基于 Bison&JFlex 构建了高性能语法和词法解析引擎。我们在解释执行阶段还做了一系 Doc 加载阶段会对 Doc 列表进行分片，并发完成 特征的加载，并且各分片在完成特征加载之后就进行打分阶段。也就是说，打分阶段 本身也是分片并发进行的，各分片在最后打分完成后汇总数据，返回给调用方。 期间 还会通过异步接口将特征日志上报，方便算法同学进一步迭代。 在这个过程中，为了使整个流程异步非阻塞，我们要求引用的服务提供异步接口。 若部分服务未提供异步接口，可以将其包装成伪异步。这一套异步流程使得单机

由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1 PaddleDTX Documentation 1.2.1 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一方为任务执行节点，多个任务 执行节点组成一个 SMPC（多方安全计算）网络。计算需求节点将任务发布到区块链网络，任务执行节点确 认后执行任务。数据持有节点对任务执行节点的计算数据做信任背书。 计算需求节点（Requester）有训练模型和预测需求。 • 任务执行节点（Executor）拥有使用数据的权限，参与多方安全计算，进行模型训练和数据预测。 • 数据持有节点（DataOwner）是数据的归属方，有存储数据的需求。 • 存储节点（Storage Nodes）有丰富的闲置的存储资源，可以提供存储服务。 • 区块链节点构成区块链网络 (Blockchain Network)，基于不同的区块链框架，他们有不同的定义。 Documentation $ nohup ./xdb -c conf/config-dataowner.toml > dataowner.log & 注意：一般构建 PaddleDTX 网络至少需要两方参与，对应两个计算任务执行节点，每个任务执行 节点可以从一个或多个数据持有节点获取数据，这里为了说明方便启动一个数据持有节点，您也 可以根据实际需求自行启动多个数据存储节点和数据持有节点；配置中的

了一套新的目标检测框架——YOLOv6。该框架支持模型训练、推理及多平台部署 等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优 化，在 COCO 数据集上，YOLOv6 在精度和速度方面均超越其他同体量算法，相关 结果如下图 1 所示： 算法 2 > 2022年美团技术年货 图 1-1 YOLOv6 各尺寸模型与其他模型性能对比 图 1-2 YOLOv6 与其他模型在不同分辨率下性能对比 < 3 图 1-1 展示了不同尺寸网络下各检测算法的性能对比，曲线上的点分别表示该检测 算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精 度和速度方面均超越其他 YOLO 系列同体量算法。 图 1-2 展示了输入分辨率变化时各检测网络模型的性能对比，曲线上的点从左往右 分别表示图像分辨率依次增大时（384/448/512/576/640）该模型的性能，从图中可 loss 进行实验，对比 CIoU loss， 平均检测精度提升 0.3% AP。 10 > 2022年美团技术年货 3. 实验结果 经过以上优化策略和改进，YOLOv6 在多个不同尺寸下的模型均取得了卓越的表现。 下表 1 展示了 YOLOv6-nano 的消融实验结果，从实验结果可以看出，我们自主设 计的检测网络在精度和速度上都带来了很大的增益。 表 1 YOLOv6-nano 消融实验结果

PlantUML を使った UML の描き方 PlantUML 言語リファレンスガイド (Version 1.2021.1) PlantUML は、以下のようなダイアグラムを素早く作成するためのコンポーネントです。 • シーケンス図 • ユースケース図 • クラス図 • オブジェクト図 • アクティビティ図 • コンポーネント図 • 配置図 • 状態遷移図（ステートマシン図） : << createRequest >> A<--] : RequestCreated deactivate A [<- A: Done deactivate A @enduml また、次の書き方も使えます： @startuml PlantUML 言語リファレンスガイド (1.2021.1) 22 / 392 1.29 インとアウトのメッセージに短い矢印を使う 1 シーケンス図 participant @100 WU -> WB : URL WU is 待機 WB is 処理中 @300 WB is 待機 @enduml 10.4 相対時間での指定 @ で時間を指定するとき、相対的な時間の指定の仕方ができます。 @startuml robust "DNS Resolver" as DNS robust "ウェブブラウザ" as WB concise "ユーザ" as WU @0 WU is アイドル

PlantUML を使った UML の描き方 PlantUML 言語リファレンスガイド (Version 1.2021.2) PlantUML は、以下のようなダイアグラムを素早く作成するためのコンポーネントです。 • シーケンス図 • ユースケース図 • クラス図 • オブジェクト図 • アクティビティ図 • コンポーネント図 • 配置図 • 状態遷移図（ステートマシン図） : << createRequest >> A<--] : RequestCreated deactivate A [<- A: Done deactivate A @enduml また、次の書き方も使えます： @startuml PlantUML 言語リファレンスガイド (1.2021.2) 22 / 398 1.29 インとアウトのメッセージに短い矢印を使う 1 シーケンス図 participant @100 WU -> WB : URL WU is 待機 WB is 処理中 @300 WB is 待機 @enduml 10.4 相対時間での指定 @ で時間を指定するとき、相対的な時間の指定の仕方ができます。 @startuml robust "DNS Resolver" as DNS robust "ウェブブラウザ" as WB concise "ユーザ" as WU @0 WU is アイドル

PlantUML を使った UML の描き方 PlantUML 言語リファレンスガイド (Version 1.2020.22) PlantUML は、以下のようなダイアグラムを素早く作成するためのコンポーネントです。 • シーケンス図 • ユースケース図 • クラス図 • アクティビティ図 • コンポーネント図 • 状態遷移図（ステートマシン図） • オブジェクト図 • 配置図 Done deactivate A @enduml PlantUML 言語リファレンスガイド (1.2020.22) 19 / 293 1.26 アンカーと持続時間 1 シーケンス図 また、次の書き方も使えます： @startuml [-> Bob [o-> Bob [o->o Bob [x-> Bob [<- Bob [x<- Bob Bob ->] Bob ->o] Bob o->o] Bob ;text:color と書きます。 • 古い書き方 @startuml class foo foo --> bar foo -[#red]-> bar1 foo -[#green]-> bar2 foo -[#blue]-> bar3 'foo -[#blue;#yellow;#green]-> bar4 @enduml • 新しい書き方 @startuml class foo foo -->

PlantUML を使った UML の描き方 PlantUML 言語リファレンスガイド (Version 1.2019.1) PlantUML は、以下のようなダイアグラムを素早く作成するためのコンポーネントです。 • シーケンス図 • ユースケース図 • クラス図 • アクティビティ図 • コンポーネント図 • 状態遷移図（ステートマシン図） • オブジェクト図 • 配置図 : << createRequest >> A<--] : RequestCreated deactivate A [<- A: Done deactivate A @enduml また、次の書き方も使えます： @startuml [-> Bob [o-> Bob [o->o Bob [x-> Bob [<- Bob [x<- Bob Bob ->] Bob ->o] PlantUML 言語リファレンスガイド PlantUML 言語リファレンスガイド (1.2019.1) 88 / 147 9.3 相対時間での指定 9 タイミング図 9.3 相対時間での指定 @ で時間を指定するとき、相対的な時間の指定の仕方ができます。 @startuml robust "DNS Resolver" as DNS robust " ウ ェ ブ ブ ラ ウ ザ " as WB concise " ユ ーザ " as WU