10、食品欺诈检测中的数字 - 物理一致性方案

食品欺诈检测中的数字 - 物理一致性方案

1. 数据与模型相关概述

在食品欺诈检测系统中，数据的处理和模型的构建是关键环节。整个过程包含了数据上传、清理、预处理，以及模型的训练、再训练等步骤。以下是简化的数据处理和贡献币分配流程：

graph LR
    A[上传数据] --> B[清理数据]
    B --> C[消费者/供应商]
    C --> D[训练模型]
    D --> E[添加更多数据]
    E --> F[再训练]
    G[ML科学家] --> D
    H[食品专家] --> D
    I[基于规则的诚实奖励] --> C
    J[点对点奖励] --> C

2. 链下组件

由于区块链在处理大量计算和存储大尺寸原始数据方面存在可扩展性问题，因此选择将机器学习模型和数据集存储在链下。但链下数据与区块链之间缺乏原生的数据获取方式，需要借助预言机来实现互操作性。链下的主要数据库和模块包括：
- 食品数据库 ：收集展示各种食品欺诈与非欺诈差异的数据集。由于食品欺诈市场庞大，持续的数据收集机制对于让检测技术跟上欺诈手段的变化至关重要。
- 模型数据库 ：存储各种分类器及其相关元数据。分类器基于食品数据库中的数据集学习得到，用于在特定情况下区分欺诈和非欺诈食品。新上传的产品数据和检测结果会被存储，机器学习开发者会定期检查确认结果，带标签的数据集用于提升模型性能。
- 模型