Значение zkML заключается в том, чтобы позволить людям, использующим машинное обучение, полностью понять модель, не раскрывая информацию о самой модели.
** Автор: Каллум, Web3CN.Pro**
ZK продолжает оставаться на пике популярности с 2022 года, и его технологии значительно продвинулись вперед, и проекты серии ZK также продолжают прилагать усилия. В то же время, благодаря популярности машинного обучения (МО) и его широкому применению в производстве и жизни, многие компании начали создавать, обучать и развертывать модели машинного обучения. Но главная проблема, с которой в настоящее время сталкивается машинное обучение, заключается в том, как обеспечить надежность и зависимость от непрозрачных данных. В этом и заключается значение ZKML: позволить людям, использующим машинное обучение, полностью понять модель, не раскрывая информацию о самой модели.
Что такое ZKML
Что такое ZKML, рассмотрим отдельно. ZK (Zero-Knowledge Proof) — это криптографический протокол, в котором доказывающий может доказать верификатору, что данное утверждение истинно, не раскрывая никакой другой информации, то есть результат может быть известен без процесса.
ZK обладает двумя основными характеристиками: во-первых, он доказывает то, что хочет доказать, не раскрывая слишком много информации проверяющему; во-вторых, доказательства трудно генерировать и их легко проверять.
Основываясь на этих двух характеристиках, ZK разработала несколько основных вариантов использования: расширение уровня 2, частная общедоступная сеть, децентрализованное хранилище, проверка личности и машинное обучение. Основное внимание в этой статье будет уделено ZKML (машинному обучению с нулевым разглашением).
Что такое ML (машинное обучение). Машинное обучение — это наука об искусственном интеллекте, которая включает в себя разработку и применение алгоритмов, которые позволяют компьютерам автономно обучаться и адаптироваться к данным, оптимизируя свою производительность посредством итеративного процесса без необходимости процесса программирования. Он использует алгоритмы и модели для идентификации данных, чтобы получить параметры модели и, наконец, сделать прогнозы/решения.
В настоящее время машинное обучение успешно применяется в различных областях.С совершенствованием этих моделей машинному обучению необходимо выполнять все больше и больше задач.Для обеспечения высокой точности моделей требуется использование технологии ZK: использование общедоступной модели проверка частных данных или проверка частных моделей с помощью общедоступных данных.
ZKML, о котором мы говорили до сих пор, создает доказательства с нулевым разглашением шагов вывода моделей ML, а не обучение модели ML.
Зачем нужен ZKML
По мере развития технологии искусственного интеллекта становится все труднее различать искусственный интеллект, человеческий интеллект и человеческое поколение. Доказательства с нулевым разглашением способны решить эту проблему. Это позволяет нам определить, генерируется ли определенный контент с помощью определенной модели. генерируется без раскрытия какой-либо другой информации о модели или входных данных.
Традиционные платформы машинного обучения часто требуют от разработчиков отправки своих архитектур моделей на хост для проверки производительности. Это может вызвать несколько проблем:
Утрата интеллектуальной собственности: раскрытие полной архитектуры модели может привести к раскрытию ценных коммерческих секретов или инноваций, которые разработчики хотели бы сохранить в тайне.
Отсутствие прозрачности: процесс оценки может быть непрозрачным, и участники могут не иметь возможности проверить, как их модель оценивается по сравнению с другими моделями.
Вопросы конфиденциальности данных: общие модели, обученные на конфиденциальных данных, могут непреднамеренно раскрывать информацию о базовых данных, нарушая нормы и правила конфиденциальности.
Эти проблемы создали потребность в решениях, которые могут защитить конфиденциальность моделей машинного обучения и их обучающих данных.
ZK предлагает многообещающий подход к решению проблем, с которыми сталкиваются традиционные платформы машинного обучения. Используя возможности ZK, ZKML предоставляет решение для сохранения конфиденциальности со следующими преимуществами:
Конфиденциальность модели: разработчики могут участвовать в проверке, не раскрывая всей архитектуры модели, тем самым защищая свою интеллектуальную собственность.
Прозрачная проверка: ZK может проверять производительность модели, не раскрывая ее внутренностей, тем самым облегчая прозрачный и ненадежный процесс оценки.
Конфиденциальность данных: ZK можно использовать для проверки личных данных с использованием общедоступных моделей или проверки частных моделей с использованием общедоступных данных, что гарантирует отсутствие утечки конфиденциальной информации.
Интеграция ZK в процесс машинного обучения обеспечивает безопасную и конфиденциальную платформу, которая устраняет ограничения традиционного машинного обучения. Это не только способствует внедрению машинного обучения в индустрию конфиденциальности, но и привлекает опытных разработчиков Web2 к изучению возможностей экосистемы Web3.
ZKML-приложения и возможности
По мере совершенствования криптографии, технологии доказательства с нулевым разглашением и аппаратных средств все больше и больше проектов начинают исследовать использование ZKML. Экосистему ZKML можно условно разделить на следующие четыре категории:
Компилятор проверки моделей: инфраструктура для компиляции моделей из существующих форматов (например, Pytorch, ONNX и т. д.) в поддающиеся проверке вычислительные схемы.
Обобщенная система доказательств: система доказательств, созданная для проверки произвольных вычислительных траекторий.
Система проверки, специфичная для ZKML: система проверки, специально созданная для проверки вычислительных трасс моделей ML.
Приложения: проекты, обрабатывающие варианты использования ZKML.
В соответствии с экологическими категориями этих приложений ZKML мы можем классифицировать некоторые текущие проекты, использующие ZKML:
ZKML все еще является новой технологией, ее рынок еще очень молод, и многие приложения только тестируются на хакатонах, но ZKML по-прежнему открывает новое пространство для разработки смарт-контрактов:
Дефи
Приложения Defi, параметризованные с помощью ML, могут быть более автоматизированы. Например, протоколы кредитования могут использовать модели машинного обучения для обновления параметров в режиме реального времени. В настоящее время протоколы кредитования в первую очередь доверяют оффчейн-моделям, используемым организациями для определения залога, LTV, порогов ликвидации и т. д., но лучшей альтернативой могут быть модели с открытым исходным кодом, подготовленные сообществом, которые каждый может запустить и проверить. Используя проверяемый автономный оракул машинного обучения, модели машинного обучения могут обрабатывать подписанные данные вне блокчейна для прогнозирования и классификации. Эти автономные оракулы машинного обучения могут безнадежно решать реальные рынки предсказаний, протоколы кредитования и т. д., проверяя аргументы и публикуя доказательства в сети.
Веб3 Социальное
Фильтровать социальные сети Web3. Децентрализованный характер социальных приложений Web3 приведет к увеличению количества спама и вредоносного контента. В идеале платформы социальных сетей могли бы использовать согласованные сообществом модели машинного обучения с открытым исходным кодом и публиковать доказательства обоснования модели, когда они решат фильтровать сообщения. Как пользователь социальных сетей, вы можете захотеть просматривать персонализированную рекламу, но при этом хотите сохранить предпочтения и интересы вашего пользователя в тайне от рекламодателей. Таким образом, пользователи могут выбрать локальный запуск модели, если они предпочитают, которую можно передать в мультимедийные приложения для предоставления им контента.
GameFi
ZKML можно применять к новым типам ончейн-игр, создавая совместные игры с участием человека и ИИ и другие инновационные ончейн-игры, в которых модель ИИ может действовать как NPC, а каждое действие NPC публикуется в сети с помощью любые доказательства, которые любой может проверить, чтобы определить, работает ли правильная модель. В то же время модели машинного обучения можно использовать для динамической корректировки выпуска, поставки, сжигания токенов, порогов голосования и т. д. Можно разработать модель поощрительного контракта, которая будет перебалансировать внутриигровую экономику, если будет достигнут определенный порог перебалансировки и доказательство рассуждения проверены.
Аутентификация
Замените закрытые ключи биометрической аутентификацией с сохранением конфиденциальности. Управление закрытыми ключами остается одной из самых больших проблем в Web3. Извлечение закрытых ключей с помощью распознавания лиц или других уникальных факторов может быть возможным решением для ZKML.
4. Проблемы ZKML
Хотя ZKML постоянно совершенствуется и оптимизируется, область все еще находится на ранней стадии разработки, и все еще есть некоторые проблемы, связанные с технологией и практикой:
Квантование с минимальной потерей точности
размер схемы, особенно когда сеть состоит из нескольких слоев
Эффективное доказательство умножения матриц
Враждебная атака
Эти проблемы, во-первых, влияют на точность моделей машинного обучения, во-вторых, на их стоимость и скорость подтверждения, а в-третьих, на риск атак кражи моделей.
В настоящее время ведется работа над улучшением этих проблем: демонстрация @0xPARC ZK-MNIST в 2021 году показала, как реализовать мелкомасштабную модель классификации изображений MNIST в проверяемой схеме; Дэниел Канг сделал то же самое для моделей масштаба ImageNet, в настоящее время масштаба ImageNet. модели была улучшена до 92% и, как ожидается, скоро будет достигнута за счет дальнейшего аппаратного ускорения более широкого пространства машинного обучения.
ZKML все еще находится на ранней стадии разработки, но уже начал показывать много результатов, и мы можем ожидать появления более инновационных приложений ZKML в цепочке. Поскольку ZKML продолжает развиваться, мы можем предвидеть будущее, в котором машинное обучение с сохранением конфиденциальности станет нормой.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Узнайте о приложениях и потенциале машинного обучения с нулевым разглашением zkML
** Автор: Каллум, Web3CN.Pro**
ZK продолжает оставаться на пике популярности с 2022 года, и его технологии значительно продвинулись вперед, и проекты серии ZK также продолжают прилагать усилия. В то же время, благодаря популярности машинного обучения (МО) и его широкому применению в производстве и жизни, многие компании начали создавать, обучать и развертывать модели машинного обучения. Но главная проблема, с которой в настоящее время сталкивается машинное обучение, заключается в том, как обеспечить надежность и зависимость от непрозрачных данных. В этом и заключается значение ZKML: позволить людям, использующим машинное обучение, полностью понять модель, не раскрывая информацию о самой модели.
Что такое ZKML
Что такое ZKML, рассмотрим отдельно. ZK (Zero-Knowledge Proof) — это криптографический протокол, в котором доказывающий может доказать верификатору, что данное утверждение истинно, не раскрывая никакой другой информации, то есть результат может быть известен без процесса.
ZK обладает двумя основными характеристиками: во-первых, он доказывает то, что хочет доказать, не раскрывая слишком много информации проверяющему; во-вторых, доказательства трудно генерировать и их легко проверять.
Основываясь на этих двух характеристиках, ZK разработала несколько основных вариантов использования: расширение уровня 2, частная общедоступная сеть, децентрализованное хранилище, проверка личности и машинное обучение. Основное внимание в этой статье будет уделено ZKML (машинному обучению с нулевым разглашением).
Что такое ML (машинное обучение). Машинное обучение — это наука об искусственном интеллекте, которая включает в себя разработку и применение алгоритмов, которые позволяют компьютерам автономно обучаться и адаптироваться к данным, оптимизируя свою производительность посредством итеративного процесса без необходимости процесса программирования. Он использует алгоритмы и модели для идентификации данных, чтобы получить параметры модели и, наконец, сделать прогнозы/решения.
В настоящее время машинное обучение успешно применяется в различных областях.С совершенствованием этих моделей машинному обучению необходимо выполнять все больше и больше задач.Для обеспечения высокой точности моделей требуется использование технологии ZK: использование общедоступной модели проверка частных данных или проверка частных моделей с помощью общедоступных данных.
ZKML, о котором мы говорили до сих пор, создает доказательства с нулевым разглашением шагов вывода моделей ML, а не обучение модели ML.
Зачем нужен ZKML
По мере развития технологии искусственного интеллекта становится все труднее различать искусственный интеллект, человеческий интеллект и человеческое поколение. Доказательства с нулевым разглашением способны решить эту проблему. Это позволяет нам определить, генерируется ли определенный контент с помощью определенной модели. генерируется без раскрытия какой-либо другой информации о модели или входных данных.
Традиционные платформы машинного обучения часто требуют от разработчиков отправки своих архитектур моделей на хост для проверки производительности. Это может вызвать несколько проблем:
Эти проблемы создали потребность в решениях, которые могут защитить конфиденциальность моделей машинного обучения и их обучающих данных.
ZK предлагает многообещающий подход к решению проблем, с которыми сталкиваются традиционные платформы машинного обучения. Используя возможности ZK, ZKML предоставляет решение для сохранения конфиденциальности со следующими преимуществами:
Интеграция ZK в процесс машинного обучения обеспечивает безопасную и конфиденциальную платформу, которая устраняет ограничения традиционного машинного обучения. Это не только способствует внедрению машинного обучения в индустрию конфиденциальности, но и привлекает опытных разработчиков Web2 к изучению возможностей экосистемы Web3.
ZKML-приложения и возможности
По мере совершенствования криптографии, технологии доказательства с нулевым разглашением и аппаратных средств все больше и больше проектов начинают исследовать использование ZKML. Экосистему ZKML можно условно разделить на следующие четыре категории:
В соответствии с экологическими категориями этих приложений ZKML мы можем классифицировать некоторые текущие проекты, использующие ZKML:
ZKML все еще является новой технологией, ее рынок еще очень молод, и многие приложения только тестируются на хакатонах, но ZKML по-прежнему открывает новое пространство для разработки смарт-контрактов:
Дефи
Приложения Defi, параметризованные с помощью ML, могут быть более автоматизированы. Например, протоколы кредитования могут использовать модели машинного обучения для обновления параметров в режиме реального времени. В настоящее время протоколы кредитования в первую очередь доверяют оффчейн-моделям, используемым организациями для определения залога, LTV, порогов ликвидации и т. д., но лучшей альтернативой могут быть модели с открытым исходным кодом, подготовленные сообществом, которые каждый может запустить и проверить. Используя проверяемый автономный оракул машинного обучения, модели машинного обучения могут обрабатывать подписанные данные вне блокчейна для прогнозирования и классификации. Эти автономные оракулы машинного обучения могут безнадежно решать реальные рынки предсказаний, протоколы кредитования и т. д., проверяя аргументы и публикуя доказательства в сети.
Веб3 Социальное
Фильтровать социальные сети Web3. Децентрализованный характер социальных приложений Web3 приведет к увеличению количества спама и вредоносного контента. В идеале платформы социальных сетей могли бы использовать согласованные сообществом модели машинного обучения с открытым исходным кодом и публиковать доказательства обоснования модели, когда они решат фильтровать сообщения. Как пользователь социальных сетей, вы можете захотеть просматривать персонализированную рекламу, но при этом хотите сохранить предпочтения и интересы вашего пользователя в тайне от рекламодателей. Таким образом, пользователи могут выбрать локальный запуск модели, если они предпочитают, которую можно передать в мультимедийные приложения для предоставления им контента.
GameFi
ZKML можно применять к новым типам ончейн-игр, создавая совместные игры с участием человека и ИИ и другие инновационные ончейн-игры, в которых модель ИИ может действовать как NPC, а каждое действие NPC публикуется в сети с помощью любые доказательства, которые любой может проверить, чтобы определить, работает ли правильная модель. В то же время модели машинного обучения можно использовать для динамической корректировки выпуска, поставки, сжигания токенов, порогов голосования и т. д. Можно разработать модель поощрительного контракта, которая будет перебалансировать внутриигровую экономику, если будет достигнут определенный порог перебалансировки и доказательство рассуждения проверены.
Аутентификация
Замените закрытые ключи биометрической аутентификацией с сохранением конфиденциальности. Управление закрытыми ключами остается одной из самых больших проблем в Web3. Извлечение закрытых ключей с помощью распознавания лиц или других уникальных факторов может быть возможным решением для ZKML.
4. Проблемы ZKML
Хотя ZKML постоянно совершенствуется и оптимизируется, область все еще находится на ранней стадии разработки, и все еще есть некоторые проблемы, связанные с технологией и практикой:
Эти проблемы, во-первых, влияют на точность моделей машинного обучения, во-вторых, на их стоимость и скорость подтверждения, а в-третьих, на риск атак кражи моделей.
В настоящее время ведется работа над улучшением этих проблем: демонстрация @0xPARC ZK-MNIST в 2021 году показала, как реализовать мелкомасштабную модель классификации изображений MNIST в проверяемой схеме; Дэниел Канг сделал то же самое для моделей масштаба ImageNet, в настоящее время масштаба ImageNet. модели была улучшена до 92% и, как ожидается, скоро будет достигнута за счет дальнейшего аппаратного ускорения более широкого пространства машинного обучения.
ZKML все еще находится на ранней стадии разработки, но уже начал показывать много результатов, и мы можем ожидать появления более инновационных приложений ZKML в цепочке. Поскольку ZKML продолжает развиваться, мы можем предвидеть будущее, в котором машинное обучение с сохранением конфиденциальности станет нормой.