zkML'nin önemi şudur: makine öğrenimini kullanan kişilerin, modelin bilgilerini ifşa etmeden modeli tam olarak anlamalarını sağlamak.
Yazan: Callum, Web3CN.Pro
ZK, 2022 yılından bu yana gündem yaratmaya devam etmiş ve teknolojisinde büyük ilerlemeler kaydedilmiş, ZK serisinin projeleri için de çalışmalar yapılmaya devam edilmiştir. Aynı zamanda, Makine Öğreniminin (ML) yaygınlaşması ve üretimde ve yaşamda yaygın şekilde uygulanmasıyla birçok şirket makine öğrenimi modelleri oluşturmaya, eğitmeye ve dağıtmaya başladı. Ancak şu anda makine öğreniminin karşı karşıya olduğu en büyük sorun, opak verilere güvenilirliğin ve bağımlılığın nasıl sağlanacağıdır. ZKML'nin önemi budur: makine öğrenimini kullanan kişilerin, modelin bilgilerini ifşa etmeden modeli tam olarak anlamalarını sağlamak.
ZKML nedir
ZKML nedir onu ayrı ayrı inceleyelim. ZK (Sıfır Bilgi Kanıtı), kanıtlayıcının doğrulayıcıya verilen bir ifadenin doğru olduğunu başka herhangi bir bilgi ifşa etmeden kanıtlayabildiği, yani süreç olmadan sonucun bilinebildiği bir kriptografik protokoldür.
ZK'nın iki temel özelliği vardır: birincisi, doğrulayıcıya çok fazla bilgi vermeden kanıtlamak istediğini kanıtlar; ikincisi, kanıt üretmenin zor olması ve kanıtları doğrulamanın kolay olmasıdır.
ZK, bu iki özelliği temel alarak birkaç önemli kullanım durumu geliştirmiştir: Katman 2 genişletme, özel halka açık zincir, merkezi olmayan depolama, kimlik doğrulama ve makine öğrenimi. Bu makalenin araştırma odağı ZKML'ye (Sıfır Bilgi Makine Öğrenimi) odaklanacaktır.
ML (Makine Öğrenimi) Nedir, Makine Öğrenimi, bilgisayarların bir programlama sürecine ihtiyaç duymadan yinelemeli bir süreçle performanslarını optimize ederek, bilgisayarların verileri özerk bir şekilde öğrenmesini ve bunlara uyum sağlamasını sağlayan algoritmaların geliştirilmesini ve uygulanmasını içeren bir yapay zeka bilimidir. Model parametrelerini elde etmek ve son olarak tahminler/kararlar vermek için verileri tanımlamak için algoritmalar ve modeller kullanır.
Şu anda, makine öğrenimi çeşitli alanlarda başarıyla uygulanmaktadır. Bu modellerin iyileştirilmesiyle, makine öğreniminin giderek daha fazla görev gerçekleştirmesi gerekmektedir. Yüksek doğruluklu modeller sağlamak için bu, ZK teknolojisinin kullanılmasını gerektirir: genel modelin kullanılması doğrulama Özel veriler veya özel modelleri genel verilerle doğrulayın.
Şimdiye kadar bahsettiğimiz ZKML, ML model eğitimi değil, ML modellerinin çıkarım adımlarının sıfır bilgi kanıtları oluşturuyor.
Neden ZKML'ye ihtiyacımız var?
Yapay zeka teknolojisi ilerledikçe yapay zeka ile insan zekası ve insan neslini ayırt etmek daha zor hale geliyor.Sıfır bilgi kanıtları bu sorunu çözme yeteneğine sahip.Belirli bir model uygulanarak belirli bir içeriğin üretilip üretilmediğini belirlememizi sağlıyor. model veya girdi hakkında başka herhangi bir bilgi vermeden üretilir.
Geleneksel makine öğrenimi platformları, genellikle geliştiricilerin performans doğrulaması için model mimarilerini ana bilgisayara göndermelerini gerektirir. Bu, birkaç soruna neden olabilir:
Fikri Mülkiyet Kaybı: Tüm model mimarisinin ifşa edilmesi, geliştiricilerin gizli tutmak istedikleri değerli ticari sırları veya yenilikleri açığa çıkarabilir.
Şeffaflık eksikliği: Değerlendirme süreci şeffaf olmayabilir ve katılımcılar kendi modellerinin diğer modellere göre sıralamasını doğrulayamayabilir.
Veri gizliliği endişeleri: Hassas veriler üzerinde eğitilmiş paylaşılan modeller, istemeden temel veriler hakkında bilgi vererek gizlilik normlarını ve düzenlemelerini ihlal edebilir.
Bu zorluklar, makine öğrenimi modellerinin ve bunların eğitim verilerinin gizliliğini koruyabilen çözümlere ihtiyaç doğurdu.
ZK, geleneksel makine öğrenimi platformlarının karşılaştığı zorlukların üstesinden gelmek için umut verici bir yaklaşım öneriyor. ZK'nin gücünden yararlanan ZKML, aşağıdaki avantajlarla gizliliği koruyan bir çözüm sunar:
Model gizliliği: Geliştiriciler, tüm model mimarisini ifşa etmeden doğrulamaya katılabilirler, böylece fikri mülkiyetlerini koruyabilirler.
Şeffaf doğrulama: ZK, model performansını, modelin içindekileri ifşa etmeden doğrulayabilir, böylece şeffaf ve güvene dayalı olmayan bir değerlendirme sürecini kolaylaştırır.
Veri gizliliği: ZK, genel modeller kullanılarak özel verilerin doğrulanması veya genel veriler kullanılarak özel modellerin doğrulanması için kullanılabilir ve böylece hassas bilgilerin sızdırılmaması sağlanır.
ZK'yi makine öğrenimi sürecine entegre etmek, geleneksel makine öğreniminin sınırlamalarını ele alan güvenli ve gizliliği koruyan bir platform sağlar. Bu, yalnızca gizlilik endüstrisinde makine öğreniminin benimsenmesini teşvik etmekle kalmıyor, aynı zamanda deneyimli Web2 geliştiricilerini Web3 ekosistemindeki olasılıkları keşfetmeye çekiyor.
ZKML Uygulamaları ve Fırsatları
Kriptografinin, sıfır bilgi kanıtı teknolojisinin ve donanım tesislerinin artan gelişimiyle, giderek daha fazla proje ZKML'nin kullanımını keşfetmeye başladı. ZKML ekosistemi kabaca aşağıdaki dört kategoriye ayrılabilir:
Model Doğrulama Derleyicisi: Modelleri mevcut formatlardan (örneğin, Pytorch, ONNX, vb.) doğrulanabilir hesaplama devrelerine derlemek için bir altyapı.
Genelleştirilmiş İspat Sistemi: Rastgele hesaplama yörüngelerini doğrulamak için oluşturulmuş bir ispat sistemi.
ZKML'ye özgü ispat sistemi: ML modellerinin hesaplamalı izlerini doğrulamak için özel olarak oluşturulmuş bir ispat sistemi.
Uygulamalar: ZKML kullanım durumlarını işleyen projeler.
Bu ZKML uygulamalarının ekolojik kategorilerine göre, mevcut bazı ZKML uygulamalı projeleri şu şekilde sınıflandırabiliriz:
ZKML hala gelişmekte olan bir teknolojidir, pazarı henüz çok erkendir ve birçok uygulama yalnızca hackathonlarda denenmektedir, ancak ZKML hala akıllı sözleşmeler için yeni bir tasarım alanı açmaktadır:
DeFi
Makine öğrenimi kullanılarak parametrelendirilen Defi uygulamaları daha otomatik hale getirilebilir. Örneğin, borç verme protokolleri, parametreleri gerçek zamanlı olarak güncellemek için makine öğrenimi modellerini kullanabilir. Şu anda borç verme protokolleri, teminat, LTV, tasfiye eşikleri vb. belirlemek için kuruluşlar tarafından yürütülen zincir dışı modellere güvenmektedir, ancak daha iyi bir alternatif, herkesin çalıştırıp doğrulayabileceği, topluluk tarafından eğitilmiş açık kaynaklı modeller olabilir. Doğrulanabilir bir zincir dışı ML kehaneti kullanan ML modelleri, tahmin ve sınıflandırma için imzalı verileri zincir dışında işleyebilir. Bu zincir dışı makine öğrenimi oracle'ları, akıl yürütmeyi doğrulayarak ve zincir üzerinde kanıtlar yayınlayarak gerçek dünya tahmin pazarlarını, borç verme protokollerini vb. güvenle çözebilir.
Web3 Sosyal
Web3 sosyal medyasını filtreleyin. Web3 sosyal uygulamalarının merkezi olmayan doğası, daha fazla spam ve kötü amaçlı içeriğe yol açacaktır. İdeal olarak, sosyal medya platformları, topluluk tarafından kabul edilen açık kaynaklı makine öğrenimi modellerini kullanabilir ve gönderileri filtrelemeyi seçtiklerinde model muhakemesi kanıtları yayınlayabilir. Bir sosyal medya kullanıcısı olarak, kişiselleştirilmiş reklamları izlemeye istekli olabilirsiniz, ancak kullanıcılarınızın tercihlerini ve ilgi alanlarını reklamcılardan gizli tutmak isteyebilirsiniz. Böylece kullanıcılar, isterlerse, kendilerine içerik sağlamak için medya uygulamalarına beslenebilecek bir modeli yerel olarak çalıştırmayı seçebilirler.
GameFi
ZKML, yeni zincir üstü oyun türlerine uygulanabilir, işbirlikçi insan-AI oyunları ve AI modelinin bir NPC olarak hareket edebildiği ve NPC'nin yaptığı her eylemin zincir üzerinde yayınlandığı diğer yenilikçi zincir üstü oyunlar yaratılabilir. doğru modelin çalıştığını belirlemek için herkesin doğrulayabileceği tüm Kanıtlar. Aynı zamanda ML modelleri, token basımını, arzını, yakımını, oylama eşiklerini vb. muhakeme doğrulandı.
Kimlik doğrulama
Özel anahtarları, gizliliği koruyan biyometrik kimlik doğrulamayla değiştirin. Özel anahtar yönetimi, Web3'teki en büyük sorun noktalarından biri olmaya devam ediyor. Özel anahtarları yüz tanıma veya diğer benzersiz faktörler yoluyla çıkarmak, ZKML için olası bir çözüm olabilir.
4. ZKML zorlukları
ZKML sürekli olarak iyileştirilip optimize ediliyor olsa da, bu alan henüz gelişimin erken bir aşamasındadır ve teknolojiden uygulamaya kadar hala bazı zorluklar vardır:
Minimum hassasiyet kaybıyla niceleme
devrenin boyutu, özellikle bir ağ birden çok katmandan oluştuğunda
Matris çarpımının verimli kanıtı
Düşmanca saldırı
Bu zorluklar ilk olarak makine öğrenimi modellerinin doğruluğunu etkiler, ikinci olarak maliyetlerini ve kanıtlama hızlarını etkiler ve üçüncüsü de model hırsızlığı saldırıları riskidir.
Bu sorunlara yönelik iyileştirmeler şu anda devam ediyor, @0xPARC'nin 2021'deki ZK-MNIST demosu, küçük ölçekli bir MNIST görüntü sınıflandırma modelinin doğrulanabilir bir devrede nasıl uygulanacağını gösterdi; Daniel Kang, ImageNet ölçekli modeller için, şu anda ImageNet ölçeğinde aynısını yaptı. modelin yüzde 92'si iyileştirildi ve daha geniş makine öğrenimi alanının daha fazla donanım hızlandırmasıyla yakında ulaşılması bekleniyor.
ZKML hala erken geliştirme aşamasındadır, ancak pek çok sonuç vermeye başlamıştır ve ZKML'nin zincirde daha yenilikçi uygulamalarını görmeyi bekleyebiliriz. ZKML gelişmeye devam ederken, gizliliği koruyan makine öğreniminin norm haline geleceği bir gelecek öngörebiliriz.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Sıfır bilgili makine öğrenimi zkML'nin uygulamaları ve potansiyeli hakkında bilgi edinin
Yazan: Callum, Web3CN.Pro
ZK, 2022 yılından bu yana gündem yaratmaya devam etmiş ve teknolojisinde büyük ilerlemeler kaydedilmiş, ZK serisinin projeleri için de çalışmalar yapılmaya devam edilmiştir. Aynı zamanda, Makine Öğreniminin (ML) yaygınlaşması ve üretimde ve yaşamda yaygın şekilde uygulanmasıyla birçok şirket makine öğrenimi modelleri oluşturmaya, eğitmeye ve dağıtmaya başladı. Ancak şu anda makine öğreniminin karşı karşıya olduğu en büyük sorun, opak verilere güvenilirliğin ve bağımlılığın nasıl sağlanacağıdır. ZKML'nin önemi budur: makine öğrenimini kullanan kişilerin, modelin bilgilerini ifşa etmeden modeli tam olarak anlamalarını sağlamak.
ZKML nedir
ZKML nedir onu ayrı ayrı inceleyelim. ZK (Sıfır Bilgi Kanıtı), kanıtlayıcının doğrulayıcıya verilen bir ifadenin doğru olduğunu başka herhangi bir bilgi ifşa etmeden kanıtlayabildiği, yani süreç olmadan sonucun bilinebildiği bir kriptografik protokoldür.
ZK'nın iki temel özelliği vardır: birincisi, doğrulayıcıya çok fazla bilgi vermeden kanıtlamak istediğini kanıtlar; ikincisi, kanıt üretmenin zor olması ve kanıtları doğrulamanın kolay olmasıdır.
ZK, bu iki özelliği temel alarak birkaç önemli kullanım durumu geliştirmiştir: Katman 2 genişletme, özel halka açık zincir, merkezi olmayan depolama, kimlik doğrulama ve makine öğrenimi. Bu makalenin araştırma odağı ZKML'ye (Sıfır Bilgi Makine Öğrenimi) odaklanacaktır.
ML (Makine Öğrenimi) Nedir, Makine Öğrenimi, bilgisayarların bir programlama sürecine ihtiyaç duymadan yinelemeli bir süreçle performanslarını optimize ederek, bilgisayarların verileri özerk bir şekilde öğrenmesini ve bunlara uyum sağlamasını sağlayan algoritmaların geliştirilmesini ve uygulanmasını içeren bir yapay zeka bilimidir. Model parametrelerini elde etmek ve son olarak tahminler/kararlar vermek için verileri tanımlamak için algoritmalar ve modeller kullanır.
Şu anda, makine öğrenimi çeşitli alanlarda başarıyla uygulanmaktadır. Bu modellerin iyileştirilmesiyle, makine öğreniminin giderek daha fazla görev gerçekleştirmesi gerekmektedir. Yüksek doğruluklu modeller sağlamak için bu, ZK teknolojisinin kullanılmasını gerektirir: genel modelin kullanılması doğrulama Özel veriler veya özel modelleri genel verilerle doğrulayın.
Şimdiye kadar bahsettiğimiz ZKML, ML model eğitimi değil, ML modellerinin çıkarım adımlarının sıfır bilgi kanıtları oluşturuyor.
Neden ZKML'ye ihtiyacımız var?
Yapay zeka teknolojisi ilerledikçe yapay zeka ile insan zekası ve insan neslini ayırt etmek daha zor hale geliyor.Sıfır bilgi kanıtları bu sorunu çözme yeteneğine sahip.Belirli bir model uygulanarak belirli bir içeriğin üretilip üretilmediğini belirlememizi sağlıyor. model veya girdi hakkında başka herhangi bir bilgi vermeden üretilir.
Geleneksel makine öğrenimi platformları, genellikle geliştiricilerin performans doğrulaması için model mimarilerini ana bilgisayara göndermelerini gerektirir. Bu, birkaç soruna neden olabilir:
Bu zorluklar, makine öğrenimi modellerinin ve bunların eğitim verilerinin gizliliğini koruyabilen çözümlere ihtiyaç doğurdu.
ZK, geleneksel makine öğrenimi platformlarının karşılaştığı zorlukların üstesinden gelmek için umut verici bir yaklaşım öneriyor. ZK'nin gücünden yararlanan ZKML, aşağıdaki avantajlarla gizliliği koruyan bir çözüm sunar:
ZK'yi makine öğrenimi sürecine entegre etmek, geleneksel makine öğreniminin sınırlamalarını ele alan güvenli ve gizliliği koruyan bir platform sağlar. Bu, yalnızca gizlilik endüstrisinde makine öğreniminin benimsenmesini teşvik etmekle kalmıyor, aynı zamanda deneyimli Web2 geliştiricilerini Web3 ekosistemindeki olasılıkları keşfetmeye çekiyor.
ZKML Uygulamaları ve Fırsatları
Kriptografinin, sıfır bilgi kanıtı teknolojisinin ve donanım tesislerinin artan gelişimiyle, giderek daha fazla proje ZKML'nin kullanımını keşfetmeye başladı. ZKML ekosistemi kabaca aşağıdaki dört kategoriye ayrılabilir:
Bu ZKML uygulamalarının ekolojik kategorilerine göre, mevcut bazı ZKML uygulamalı projeleri şu şekilde sınıflandırabiliriz:
ZKML hala gelişmekte olan bir teknolojidir, pazarı henüz çok erkendir ve birçok uygulama yalnızca hackathonlarda denenmektedir, ancak ZKML hala akıllı sözleşmeler için yeni bir tasarım alanı açmaktadır:
DeFi
Makine öğrenimi kullanılarak parametrelendirilen Defi uygulamaları daha otomatik hale getirilebilir. Örneğin, borç verme protokolleri, parametreleri gerçek zamanlı olarak güncellemek için makine öğrenimi modellerini kullanabilir. Şu anda borç verme protokolleri, teminat, LTV, tasfiye eşikleri vb. belirlemek için kuruluşlar tarafından yürütülen zincir dışı modellere güvenmektedir, ancak daha iyi bir alternatif, herkesin çalıştırıp doğrulayabileceği, topluluk tarafından eğitilmiş açık kaynaklı modeller olabilir. Doğrulanabilir bir zincir dışı ML kehaneti kullanan ML modelleri, tahmin ve sınıflandırma için imzalı verileri zincir dışında işleyebilir. Bu zincir dışı makine öğrenimi oracle'ları, akıl yürütmeyi doğrulayarak ve zincir üzerinde kanıtlar yayınlayarak gerçek dünya tahmin pazarlarını, borç verme protokollerini vb. güvenle çözebilir.
Web3 Sosyal
Web3 sosyal medyasını filtreleyin. Web3 sosyal uygulamalarının merkezi olmayan doğası, daha fazla spam ve kötü amaçlı içeriğe yol açacaktır. İdeal olarak, sosyal medya platformları, topluluk tarafından kabul edilen açık kaynaklı makine öğrenimi modellerini kullanabilir ve gönderileri filtrelemeyi seçtiklerinde model muhakemesi kanıtları yayınlayabilir. Bir sosyal medya kullanıcısı olarak, kişiselleştirilmiş reklamları izlemeye istekli olabilirsiniz, ancak kullanıcılarınızın tercihlerini ve ilgi alanlarını reklamcılardan gizli tutmak isteyebilirsiniz. Böylece kullanıcılar, isterlerse, kendilerine içerik sağlamak için medya uygulamalarına beslenebilecek bir modeli yerel olarak çalıştırmayı seçebilirler.
GameFi
ZKML, yeni zincir üstü oyun türlerine uygulanabilir, işbirlikçi insan-AI oyunları ve AI modelinin bir NPC olarak hareket edebildiği ve NPC'nin yaptığı her eylemin zincir üzerinde yayınlandığı diğer yenilikçi zincir üstü oyunlar yaratılabilir. doğru modelin çalıştığını belirlemek için herkesin doğrulayabileceği tüm Kanıtlar. Aynı zamanda ML modelleri, token basımını, arzını, yakımını, oylama eşiklerini vb. muhakeme doğrulandı.
Kimlik doğrulama
Özel anahtarları, gizliliği koruyan biyometrik kimlik doğrulamayla değiştirin. Özel anahtar yönetimi, Web3'teki en büyük sorun noktalarından biri olmaya devam ediyor. Özel anahtarları yüz tanıma veya diğer benzersiz faktörler yoluyla çıkarmak, ZKML için olası bir çözüm olabilir.
4. ZKML zorlukları
ZKML sürekli olarak iyileştirilip optimize ediliyor olsa da, bu alan henüz gelişimin erken bir aşamasındadır ve teknolojiden uygulamaya kadar hala bazı zorluklar vardır:
Bu zorluklar ilk olarak makine öğrenimi modellerinin doğruluğunu etkiler, ikinci olarak maliyetlerini ve kanıtlama hızlarını etkiler ve üçüncüsü de model hırsızlığı saldırıları riskidir.
Bu sorunlara yönelik iyileştirmeler şu anda devam ediyor, @0xPARC'nin 2021'deki ZK-MNIST demosu, küçük ölçekli bir MNIST görüntü sınıflandırma modelinin doğrulanabilir bir devrede nasıl uygulanacağını gösterdi; Daniel Kang, ImageNet ölçekli modeller için, şu anda ImageNet ölçeğinde aynısını yaptı. modelin yüzde 92'si iyileştirildi ve daha geniş makine öğrenimi alanının daha fazla donanım hızlandırmasıyla yakında ulaşılması bekleniyor.
ZKML hala erken geliştirme aşamasındadır, ancak pek çok sonuç vermeye başlamıştır ve ZKML'nin zincirde daha yenilikçi uygulamalarını görmeyi bekleyebiliriz. ZKML gelişmeye devam ederken, gizliliği koruyan makine öğreniminin norm haline geleceği bir gelecek öngörebiliriz.