零知識機器學習（ZKML）的應用和潛力

發表於 2023-05-26 00:09 作者： web3中文

作者：Callum@Web3CN.Pro

ZK 從 2022 年开始持續火熱，其技術已經取得了很大的發展，ZK 系的項目也不斷發力。與此同時，隨着機器學習（Machine Learning, ML）的普及，也廣泛應用於生產生活中，許多企業开始構建、訓練以及部署機器學習模型。但目前機器學習面臨的一個重大問題是如何保證可信度和對不透明數據的依賴性。這就是 ZKML 的重要意義：讓使用機器學習的人完全了解模型而不需要透露模型本身的信息。

1. 什么是ZKML

什么是 ZKML，我們把它分开來看。ZK（零知識證明）是一種密碼協議，證明者可以向驗證者證明給定的陳述是真實的而無需透露任何其他信息，也就是說不需要過程就可以知道結果。

ZK有兩大特點：第一，證明了想證明的東西而無需透露給驗證者過多的信息；第二，生成證明很難，驗證證明很容易。

基於這兩個特點，ZK發展出了幾大用例：Layer 2 擴容、隱私公鏈、去中心化存儲、身份驗證、以及機器學習等。本文的研究重點將集中在ZKML（零知識機器學習）上面。

什么是ML（機器學習），機器學習是一門人工智能的科學，涉及算法的开發和應用，使計算機能夠自主學習和適應數據，通過迭代過程優化其性能，無需編程過程。它利用算法和模型來識別數據得到模型參數，最終做出預測/決策。

目前，機器學習已成功地應用於各個領域，隨着這些模型的完善，機器學習需要執行的任務越來越多，爲了保證高准確度的模型，這就需要用到ZK技術：使用公共模型驗證私有數據或使用公共數據驗證私有模型。

目前我們所談到的ZKML是創建 ML 模型推理步驟的零知識證明，而不是 ML 模型訓練。

2. 爲什么需要ZKML

隨着人工智能技術的進步，區分人工智能和人類智能和人類生成變得更加困難，零知識證明就有能力解決這個問題，它讓我們能夠確定特定內容是否是通過將特定模型應用於給定輸入而生成的，而無需透露有關模型或輸入的任何其他信息。

傳統的機器學習平台，往往需要开發者將自己的模型架構提交給主機進行性能驗證。這可能會導致幾個問題：

• 知識產權損失：公开完整的模型架構可能會暴露开發人員希望保密的有價值的商業祕密或創新技術。

• 缺乏透明度：評估過程可能不透明，參與者可能無法驗證他們的模型與其他模型的排名。

• 數據隱私問題：經過敏感數據訓練的共享模型可能會無意中泄露有關基礎數據的信息，從而違反隱私規範和法規。

這些挑战催生了對能夠保護機器學習模型及其訓練數據隱私的解決方案的需求。

ZK提出了一種有前途的方法來解決傳統 ML平台所面臨的挑战。通過利用 ZK的力量，ZKML 提供了具有以下優勢的隱私保護解決方案：

• 模型隱私：开發者可以在不公开整個模型架構的情況下參與驗證，從而保護他們的知識產權。

• 透明驗證：ZK可以在不泄露模型內部的情況下驗證模型性能，從而促進透明和無需信任的評估過程。

• 數據隱私：ZK可用於使用公共模型驗證私有數據或使用公共數據驗證私有模型，確保敏感信息不被泄露。

將 ZK 集成到 ML 過程中提供了一個安全且隱私保護的平台，解決了傳統  ML 的局限性。這不僅促進了機器學習在隱私行業的採用，也吸引了經驗豐富的 Web2 开發人員探索 Web3 生態系統內的可能性。

3. ZKML應用和機會

隨着密碼學、零知識證明技術和硬件設施的日益完善，越來越多的項目开始探索 ZKML 的使用。ZKML的生態系統可以大致分爲以下四個類別：

• 模型驗證編譯器：將模型從現有格式（例如 Pytorch、ONNX 等）編譯成可驗證計算電路的基礎設施。

• 廣義證明系統：爲驗證任意計算軌跡而構建的證明系統。

• ZKML特定證明系統：專門爲驗證 ML 模型的計算軌跡而構建的證明系統。

• 應用程序：處理ZKML用例的項目。

根據ZKML這些應用的生態類別，我們可以對當前一些應用ZKML的項目做一個分類：

圖片來源：@bastian_wetzel

ZKML 仍然是一項新興技術，它的市場還很早，而且許多應用程序只是在黑客松上進行試驗，但ZKML仍爲智能合約开闢了一個新的設計空間：

DeFi

使用ML參數化的Defi應用程序可以更加自動化。例如，借貸協議可以使用 ML 模型來實時更新參數。目前，借貸協議主要信任由組織運行的鏈下模型來確定抵押品、LTV、清算門檻等，但更好的替代方案可能是社區訓練的开源模型，任何人都可以運行和驗證。使用可驗證的鏈下ML預言機，ML模型可以對籤名數據進行鏈下處理以進行預測和分類。這些鏈下ML預言機可以通過驗證推理並在鏈上發布證明，從而無信任地解決現實世界的預測市場、借貸協議等問題。

Web3 社交

篩選Web3社交媒體。Web3 社交應用程序的去中心化特性將導致更多的垃圾郵件和惡意內容。理想情況下，社交媒體平台可以使用社區同意的开源 ML 模型，並在選擇過濾帖子時發布模型推理的證明。作爲社交媒體用戶，可能愿意查看個性化廣告，但希望對廣告商保密用戶的偏好和興趣。因此用戶可以選擇根據喜好在本地運行一個模型，該模型可以輸入媒體應用程序來爲其提供內容。

GameFi

ZKML可以應用於新型鏈上遊戲，可以創建合作的人類與人工智能遊戲和其他創新的鏈上遊戲，其中人工智能模型可以充當NPC，NPC 採取的每項行動都會發布到鏈上，並附有任何人都可以驗證以確定正在運行的正確模型的證明。同時，ML 模型可用於動態調整代幣發行、供應、銷毀、投票門檻等，可以設計一款激勵合約模型，如果達到某個再平衡閾值並驗證推理證明，它會重新平衡遊戲內經濟。

身份驗證

用保護隱私的生物特徵認證代替私鑰。私鑰管理仍然是Web3中最大的困點之一。通過面部識別或其他獨特因素提取私鑰也許是 ZKML 的一種可能解決方案。

4. ZKML的挑战

雖然ZKML在不斷改進和優化，但該領域還處於早期發展階段，仍存在一些從技術到實踐的挑战：

• 以最小的精度損失量化

• 電路的大小，特別是當一個網絡由多層組成時

• 矩陣乘法的有效證明

• 對抗性攻擊

這些挑战一是會影響到機器學習模型的准確性，二是會影響其成本和證明速度，三是模型竊取攻擊的風險。

目前對於這些問題的改進正在進行，@0xPARC 在 2021 年的ZK-MNIST演示展示了如何在可驗證電路中執行小規模MNIST圖像分類模型；Daniel Kang 對ImageNet規模模型進行了同樣的操作，目前 ImageNet 規模的模型的精度已經提高到 92%，預計將很快達到與更廣泛的ML空間的進一步的硬件加速。

ZKML 仍處於早期开發階段，但它已經开始展現不少成果，可以期待看到更多ZKML的鏈上創新應用。隨着 ZKML 的不斷發展，我們可以預見未來隱私保護機器學習將成爲常態。

標題：零知識機器學習（ZKML）的應用和潛力

地址：https://www.coinsdeep.com/article/14184.html

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。