ZK自体は、暗号プロトコルを通じてプライバシーを確保するという前提の下で特定のステートメントの正しさを保証し、プライバシー保護における計算正しさ証明機械学習とプライバシー保護における準同型暗号機械学習の欠陥を解決します。 ZK を ML プロセスに組み込むことで、従来の機械学習の欠点に対処する、安全でプライバシーを保護するプラットフォームが作成されます。これにより、プライバシー企業が機械学習技術を採用するようになるだけでなく、Web2 開発者も Web3 の技術的可能性を探求する意欲が高まります。
ZK が ML を強化: オンチェーン インフラストラクチャを提供
ML チェーンと ZK-SNARK におけるコンピューティング能力の束縛
比較的成熟したオフチェーンである ML がチェーンに参入した理由は、ブロックチェーンの計算能力コストが高すぎるためです。多くの機械学習プロジェクトは、コンピューティング能力の制限により、EVM に代表されるブロックチェーン環境で直接実行できません。同時に、ZK の有効性検証は二重計算よりも効率的ですが、この利点はブロックチェーン固有のトランザクション データ処理に限定されます。 ZK のすでに複雑な暗号操作とインタラクションが多数の ML 操作に直面すると、ブロックチェーンの低い TPS 問題が露呈し、ブロックチェーンの低い計算能力の問題がオンチェーンでの ML を妨げる最大の枷となっています。
ML データの量子化とアップロードのプロセスにおけるパラメータの歪みの問題:
*ほとんどの ML はモデルのパラメーターを表すために浮動小数点数を使用しますが、ZK 回路は固定小数点数を使用する必要があります。デジタル型変換のプロセスでは、ML パラメータの精度が低下し、ML 出力結果にある程度の歪みが生じます。
ゼロ知識機械学習 ZKML の利点と課題の概要
ブロックチェーン技術と機械学習は、それぞれ分散型の特徴とデータドリブンな機能で技術進歩を牽引する注目の分野です。ブロックチェーン技術におけるZK（Zero-Knowledge、以下ZK）とは、暗号学の概念であり、証明者が検証者に対して、特定の情報を開示することなく、発言の真実性を証明できる証明または対話型のプロセスを指します。声明。 ML（Machine Learning、機械学習、以下ML）はAIの一分野です。機械学習は入力データから学習し、それを要約してモデルを形成し、予測と決定を行います。
こうした中、最近では両者を組み合わせたZKML（Zero-Knowledge Machine Learning）が隆盛を極めている。 ZKML は、ゼロ知識証明のプライバシー保護および検証機能と、機械学習のデータ処理および意思決定機能を組み合わせ、ブロックチェーン アプリケーションに新たな機会と可能性をもたらします。 ZKML は、データのプライバシーの保護、モデルの精度の検証、計算効率の向上を同時に実現するソリューションを提供します。
この記事では、ZKML を詳しく紹介し、その技術原理とアプリケーション シナリオを理解し、開発者とこのエキサイティングな分野を超えた取り組みを探求し、ZKML がより完全なプライバシー、セキュリティ、効率性を備えたデジタルの未来をどのように構築できるかを明らかにします。
ZKML: ゼロ知識証明と機械学習の組み合わせ
ゼロ知識証明と機械学習をブロックチェーン上で組み合わせることができる理由は 2 つあります。
ZKのゼロ知識技術は、オンチェーントランザクションの効率的な検証を実現することを期待しているだけでなく、ZKの開発者はZKがより広範な生態学的分野で使用できることを望んでおり、MLの強力なAIサポートはZKの支柱となっています。アプリケーションの生態学的拡張。優れたヘルパーです。
一方で、ML モデルの開発から利用までのプロセス全体では信頼性の証明が課題となっており、ZK はデータや情報を漏洩させることなく ML の正当性の証明を実現し、ML の信頼性のジレンマを解決することができます。 ZKML の組み合わせは、両方が必要なものを取り入れて双方向に進むことを意味し、ブロックチェーン エコロジーに勢いを与えることにもなります。
ZK と ML の開発ニーズと機能は相互に補完します
ML には解決すべき信頼性の問題が数多くあり、個々のワークフローの正確性、完全性、プライバシーを証明する必要があります。 ZK は、プライバシーの確保を前提としてあらゆる種類のコンピューティングが正しく実行されているかどうかを効果的に検証できるため、機械学習における信頼証明という長年の問題が解決されます。モデルの整合性は、ML トレーニング プロセスにおける重要な信頼証明の問題ですが、ML モデルがトレーニングおよび使用されるデータと情報のプライバシー保護も同様に重要です。これにより、ML トレーニングが第三者の監査および規制機関を通過して信頼証明を完了することが困難になります。また、ゼロ知識属性を持つ分散型 ZK は、ML との互換性が高い信頼証明パスとなります。
「AIは生産性を向上させ、ブロックチェーンは生産関係を最適化する」、MLはより高いイノベーションの勢いとサービス品質をZKトラックに注入し、ZKはMLに検証可能性とプライバシー保護を提供し、ZKMLとZKMLはブロックチェーン環境で相互補完します。
ZKML の技術的な利点
ZKML の主な技術的利点は、計算の整合性、プライバシー保護、ヒューリスティック最適化の組み合わせを実現することです。プライバシーの観点から見ると、ZKML の利点は次のとおりです。
透明性のある検証の実現
ゼロ知識証明 (ZK) は、モデルの内部詳細を公開することなくモデルのパフォーマンスを評価できるため、透過的でトラストレスな評価プロセスが可能になります。
データプライバシー保証
ZK を使用すると、パブリック モデルを使用してパブリック データを検証したり、プライベート モデルを使用してプライベート データを検証したりすることができるため、データのプライバシーと機密性が確保されます。
ZK自体は、暗号プロトコルを通じてプライバシーを確保するという前提の下で特定のステートメントの正しさを保証し、プライバシー保護における計算正しさ証明機械学習とプライバシー保護における準同型暗号機械学習の欠陥を解決します。 ZK を ML プロセスに組み込むことで、従来の機械学習の欠点に対処する、安全でプライバシーを保護するプラットフォームが作成されます。これにより、プライバシー企業が機械学習技術を採用するようになるだけでなく、Web2 開発者も Web3 の技術的可能性を探求する意欲が高まります。
ZK が ML を強化: オンチェーン インフラストラクチャを提供
比較的成熟したオフチェーンである ML がチェーンに参入した理由は、ブロックチェーンの計算能力コストが高すぎるためです。多くの機械学習プロジェクトは、コンピューティング能力の制限により、EVM に代表されるブロックチェーン環境で直接実行できません。同時に、ZK の有効性検証は二重計算よりも効率的ですが、この利点はブロックチェーン固有のトランザクション データ処理に限定されます。 ZK のすでに複雑な暗号操作とインタラクションが多数の ML 操作に直面すると、ブロックチェーンの低い TPS 問題が露呈し、ブロックチェーンの低い計算能力の問題がオンチェーンでの ML を妨げる最大の枷となっています。
ZK-SNARK の出現により、ML の高い計算能力要件の問題が軽減されます。 ZK-SNARKs はゼロ知識証明の暗号構造であり、正式名称は「Zero-Knowledge Succinct Non-Interactive Argument of Knowledge」です。これは、効率的なゼロ知識証明のための楕円曲線暗号と準同型暗号に基づく技術です。 ZK-SNARKはコンパクト性が高いのが特徴で、ZK-SNARKを利用することで証明者は短くてコンパクトな証明を生成でき、検証者は証明者と通信することなく少量の計算だけで証明の正当性を検証できます。証明者は何度も対話します。証明者と検証者の間で対話が 1 回だけ必要になるというこの性質により、ZK-SNARK は実際のアプリケーションで効率的かつ実用的となり、チェーン上の ML の計算能力要件により適しています。現在、ZK-SNARK は ZKML における ZK の主な形式です。
ZK から ML への権限付与は、主に、ML のプロセス全体、つまり ML とチェーン上の関数間の相互作用のゼロ知識証明に反映されます。この相互作用で解決する必要がある 2 つの主要な問題は、2 つのデータ形式を接続することと、ZK 証明プロセスに計算能力を提供することです。
ML Empowering ZK: Web3 アプリケーション シナリオの強化
ZK は ML の信頼証明の問題を解決し、ML に連鎖する機会を提供します。多くの Web3 分野では、AI ML による生産性や意思決定のサポートが緊急に必要とされており、ZKML を使用すると、分散化と効率性の確保を前提として、オンチェーン アプリケーションで AI の強化を実現できます。
DeFi
ZKML は、DeFi の自動化を促進することができ、1 つはチェーン上のプロトコル パラメーターの更新の自動化、もう 1 つは取引戦略の自動化です。
した
ZKML は、Web3 分散型アイデンティティ DID の構築に役立ちます。以前は、秘密キーやニーモニックなどの ID 管理モードにより、Web3 のユーザー エクスペリエンスが低下していましたが、実際の DID 構築は ZKML を通じて完了し、Web3 主体の生体情報を識別できます。同時に、ZKML はユーザーの生体情報プライバシーのセキュリティを保証できます。 。
ゲーム
ZKML は、Web3 ゲームがフル機能のオンチェーンを実現するのに役立ちます。 ML はゲームのインタラクションに差別化された自動化をもたらし、ゲームの楽しさを向上させることができ、ZK は ML のインタラクションの決定をオンチェーンで行うことができます。
医療および法的アドバイス
医療や法律コンサルティングはプライバシーが高く、多くの事例の蓄積が必要な分野ですが、ZKML はユーザーの意思決定を支援し、ユーザーのプライバシーが漏洩しないようにすることができます。
ZKML の課題
ZKML は現在精力的に開発が進められていますが、ブロックチェーンにネイティブではなく、多くのコンピューティング能力を必要とするため、ZKML は将来的に主に次の 2 つの課題に直面することになります。
＃＃ 結論
ZKML は、ゼロ知識証明と機械学習の間の双方向の動きです。最近開発されたブロックチェーン テクノロジー ZK は、ML による信頼証明の問題の解決を支援し、ML にオンチェーン環境を提供します。成熟した AI テクノロジー ML は、ZK による Web3 エコロジーの実現に役立ちます。拡張とアプリケーションの革新。
ZKML の開発は、パラメータの歪みの問題や大規模モデルの高い計算能力要件など、いくつかの課題に直面していますが、これらの問題は技術革新とハードウェア アクセラレーションによって解決できます。 ZKML プロジェクトの継続的な出現と発展により、DeFi、DID、ゲーム、ヘルスケアなどの分野で Web3 エコシステムにさらなる革新と価値をもたらすことが予測できます。
将来的には、ZKML が Web3 + AI の相互統合を真に解き放つ鍵となり、セキュリティ、プライバシー保護、効率的なブロックチェーン アプリケーションのさらなる構築を強力にサポートすると期待されています。 ZKのゼロ知識とMLのデータ処理能力を組み合わせることで、よりオープンでインテリジェントで信頼できるデジタル世界を構築できるはずです。