ML (機械学習) とは何ですか。機械学習は、プログラミング プロセスを必要とせずにコンピューターが自律的に学習してデータに適応し、反復プロセスを通じてパフォーマンスを最適化できるようにするアルゴリズムの開発と適用を含む人工知能の科学です。アルゴリズムとモデルを使用してデータを識別し、モデルパラメーターを取得し、最終的に予測/決定を行います。
ML を使用してパラメータ化された Defi アプリケーションは、より自動化できます。たとえば、融資プロトコルは ML モデルを使用してパラメータをリアルタイムで更新できます。現在、融資プロトコルは主に組織が実行するオフチェーン モデルを信頼して担保、LTV、清算閾値などを決定していますが、より良い代替案は、誰でも実行して検証できるコミュニティでトレーニングされたオープンソース モデルである可能性があります。検証可能なオフチェーン ML オラクルを使用して、ML モデルは予測と分類のために署名されたデータをオフチェーンで処理できます。これらのオフチェーン ML オラクルは、推論を検証し、オンチェーンで証明を公開することで、現実世界の予測市場、融資プロトコルなどをトラストレスに解決できます。
ゼロ知識機械学習 zkML のアプリケーションと可能性について読む
執筆者: Callum、Web3CN.Pro
ZKは2022年以降も熱気を持ち続けており、その技術は大きく進歩しており、ZKシリーズのプロジェクトも努力を続けています。同時に、機械学習 (ML) の人気と、生産や生活におけるその幅広い応用に伴い、多くの企業が機械学習モデルの構築、トレーニング、展開を開始しています。しかし、機械学習が現在直面している大きな問題は、不透明なデータの信頼性と依存性をどのように確保するかということです。これが ZKML の重要性です。モデル自体の情報を明らかにすることなく、機械学習を使用する人々にモデルを完全に理解させることです。
ZKMLとは
ZKML とは何か、個別に見てみましょう。 ZK (Zero-Knowledge Proof) は、証明者が他の情報を明らかにすることなく、特定のステートメントが真であることを検証者に証明できる、つまり、プロセスなしで結果を知ることができる暗号プロトコルです。
ZK には 2 つの大きな特徴があります: 1 つは検証者にあまり多くの情報を明らかにせずに証明したいことを証明すること、2 つ目は証明の生成が難しく、証明の検証が容易であることです。
これら 2 つの特性に基づいて、ZK は、レイヤー 2 拡張、プライベート パブリック チェーン、分散ストレージ、ID 検証、機械学習といったいくつかの主要なユース ケースを開発しました。この記事の研究の焦点は、ZKML (ゼロ知識機械学習) に焦点を当てます。
ML (機械学習) とは何ですか。機械学習は、プログラミング プロセスを必要とせずにコンピューターが自律的に学習してデータに適応し、反復プロセスを通じてパフォーマンスを最適化できるようにするアルゴリズムの開発と適用を含む人工知能の科学です。アルゴリズムとモデルを使用してデータを識別し、モデルパラメーターを取得し、最終的に予測/決定を行います。
現在、機械学習はさまざまな分野で応用され成功しています。これらのモデルの改良に伴い、機械学習はますます多くのタスクを実行する必要があります。高精度のモデルを確保するには、ZK テクノロジーの使用が必要です。公開モデルの使用プライベート データを検証するか、パブリック データを使用してプライベート モデルを検証します。
これまで説明してきた ZKML は、ML モデルのトレーニングではなく、ML モデルの推論ステップのゼロ知識証明を作成するものです。
ZKML が必要な理由
人工知能技術の進歩に伴い、人工知能と人間の知能、人間が生成したものとを区別することがますます困難になっていますが、ゼロ知識証明はこの問題を解決する能力を持っています。モデルや入力に関するその他の情報を明らかにすることなく生成されます。
従来の機械学習プラットフォームでは、多くの場合、開発者がパフォーマンス検証のためにモデル アーキテクチャをホストに送信する必要があります。これにより、次のようないくつかの問題が発生する可能性があります。
これらの課題により、機械学習モデルとそのトレーニング データのプライバシーを保護できるソリューションの必要性が生じています。
ZK は、従来の ML プラットフォームが直面する課題に対処する有望なアプローチを提案しています。 ZK のパワーを活用することにより、ZKML は次の利点を持つプライバシー保護ソリューションを提供します。
ZK を ML プロセスに統合することで、従来の ML の制限に対処する、安全でプライバシーを保護するプラットフォームが提供されます。これにより、プライバシー業界での機械学習の導入が促進されるだけでなく、経験豊富な Web2 開発者が Web3 エコシステム内の可能性を探求するようになります。
ZKML のアプリケーションと機会
暗号化、ゼロ知識証明技術、およびハードウェア設備の改善が進むにつれて、ZKML の使用を検討するプロジェクトがますます増えています。 ZKML エコシステムは、次の 4 つのカテゴリに大別できます。
これらの ZKML アプリケーションの生態学的カテゴリに従って、現在の ZKML 適用プロジェクトのいくつかを分類できます。
ZKML はまだ新興テクノロジーであり、その市場はまだ非常に初期段階にあり、多くのアプリケーションはハッカソンでのみ実験されていますが、ZKML は依然としてスマート コントラクトのための新しい設計空間を切り開きます。
DeFi
ML を使用してパラメータ化された Defi アプリケーションは、より自動化できます。たとえば、融資プロトコルは ML モデルを使用してパラメータをリアルタイムで更新できます。現在、融資プロトコルは主に組織が実行するオフチェーン モデルを信頼して担保、LTV、清算閾値などを決定していますが、より良い代替案は、誰でも実行して検証できるコミュニティでトレーニングされたオープンソース モデルである可能性があります。検証可能なオフチェーン ML オラクルを使用して、ML モデルは予測と分類のために署名されたデータをオフチェーンで処理できます。これらのオフチェーン ML オラクルは、推論を検証し、オンチェーンで証明を公開することで、現実世界の予測市場、融資プロトコルなどをトラストレスに解決できます。
Web3 ソーシャル
Web3 ソーシャル メディアをフィルタリングします。 Web3 ソーシャル アプリケーションの分散化された性質により、スパムや悪意のあるコンテンツが増加することになります。理想的には、ソーシャル メディア プラットフォームはコミュニティで合意されたオープンソース ML モデルを使用し、投稿をフィルタリングする場合にモデル推論の証拠を公開できます。ソーシャル メディア ユーザーとして、パーソナライズされた広告を喜んで表示したいと考えているかもしれませんが、ユーザーの好みや興味は広告主には秘密にしておきたいと考えています。したがって、ユーザーは必要に応じてモデルをローカルで実行することを選択でき、そのモデルをメディア アプリケーションにフィードしてコンテンツを提供できます。
ゲームファイ
ZKML は新しいタイプのオンチェーン ゲームに適用でき、AI モデルが NPC として機能し、NPC が行うすべてのアクションがオンチェーンに投稿される、人間と AI の協力ゲームやその他の革新的なオンチェーン ゲームを作成できます。 any 正しいモデルが実行されているかどうかを判断するために誰でも検証できる証拠。同時に、ML モデルを使用して、トークンの発行、供給、書き込み、投票のしきい値などを動的に調整できます。特定のリバランスしきい値に達した場合にゲーム内経済のバランスを再調整するインセンティブ契約モデルを設計でき、その証明が可能です。推論が検証されました。
認証
秘密キーをプライバシーを保護する生体認証に置き換えます。秘密キーの管理は依然として Web3 における最大の問題点の 1 つです。顔認識またはその他の固有の要素を介して秘密キーを抽出することは、ZKML の可能な解決策となる可能性があります。
4. ZKML の課題
ZKML は継続的に改善および最適化されていますが、この分野はまだ開発の初期段階にあり、テクノロジーから実践までいくつかの課題がまだあります。
これらの課題は、第一に機械学習モデルの精度に影響し、第二にそのコストと証明速度に影響し、第三にモデル盗難攻撃のリスクです。
これらの問題の改善は現在進行中です。2021 年の @0xPARC の ZK-MNIST デモでは、検証可能な回路で小規模な MNIST 画像分類モデルを実装する方法が示されました。Daniel Kang は、ImageNet スケールのモデル (現在は ImageNet スケール) に対して同じことを行いました。モデルの割合は 92% に改善されており、より広範な ML 空間のさらなるハードウェア アクセラレーションにより、間もなくこの達成に達すると予想されます。
ZKML はまだ開発の初期段階にありますが、多くの成果が示され始めており、チェーン上で ZKML のさらに革新的なアプリケーションが見られることが期待できます。 ZKML が開発を続けるにつれて、プライバシーを保護する機械学習が標準となる未来が予測できます。