この 1 年間で、zk-SNARK は予想を超えて進歩しました。これらのイノベーションは何年も先になるというのが一般的な意見ですが、ZK-EVM などのアプリケーションは登場しつつあります。 zk-SNARKsの機能強化により、ブロックチェーンの新たなユースケースの探索が可能になり、特に機械学習や人工知能の利用増加によってもたらされる多くの差し迫った問題を解決するためにzk-SNARKsを使用した研究に細心の注意を払っています。

機械学習の人気が高まるにつれ、さまざまなアプリケーションで使用されるようになりました。しかし、その予測の信頼性と不透明なデータソースへの依存が大きな懸念となっています。高精度を主張するモデルを再現することは困難であり、実際の運用における予測の一貫性と正確性は保証されません。

この記事の目的は、zk-SNARK ベースの機械学習 (ZK-ML) システムに多くの関心が寄せられている理由を簡単に説明し、このテクノロジーの潜在的なアプリケーションについて説明することです。

なぜ ZK-ML が必要なのでしょうか?

教師あり機械学習では、特定のパラメーターでトレーニングされたモデルに入力が与えられます。その後、モデルは他のシステムで使用できる出力を生成します。 ONNX のような軽量の機械学習フレームワークと形式のおかげで、入力データを集中サーバーに送信するのではなく、携帯電話や IoT デバイスなどのエッジ デバイスでこれらの推論を実行できるようになりました。これにより、ユーザーのスケーラビリティとプライバシーが向上します。

ただし、機械学習モデルの入力とパラメーターは両方ともプライベートに保たれ、一般公開されないことが多いことに注意することが重要です。これは、入力データには個人の財務データや生体認証データなどの機密情報が含まれる可能性があり、モデル パラメータにも生体認証検証パラメータなどの機密情報が含まれる可能性があるためです。

一方、オンチェーン スマート コントラクトなど、ML モデルの出力を消費する下流システムは、要求された出力を生成するために入力が正しく処理されたことを検証できる必要があります。

機械学習と zkSNARK プロトコルを組み合わせることで、これらの一見矛盾した要件に対する新しいソリューションが提供されます。

ZK-ML の使用例

将来の機械学習を改善するために zk-SNARK を使用する方法について議論している論文は数多くあります。 ZK-ML コミュニティは、この手法のさまざまな使用例を検討できる非常に便利なデシジョン ツリーを提供しました。

このデシジョン ツリーは、プライバシーと計算上の整合性の必要性、および機械学習を使用して解決されるヒューリスティックな最適化問題という 2 つの基準の交差に基づいています。言い換えれば、デシジョン ツリーは、プライバシーと計算の整合性が重要であり、機械学習技術がヒューリスティックな最適化問題を解決するために使用される ZKML に関連するユースケースへの適合性を判断するために使用されます。

ML モデルの革新に zk を使用する方法をいくつか示します。

プライバシー保護の機械学習

zk-SNARK を使用すると、プライベート データをモデルの作成者やユーザーに公開することなく、機械学習モデルをトレーニングできます。これにより、個人データを使用する個人のプライバシーを損なうことなく、医療や金融などの機密性の高い業界や規制された業界で使用できるモデルの開発が可能になります。

検証可能な機械学習

zk-SNARK を使用すると、トレーニング データやモデルの詳細を明らかにすることなく、機械学習モデルが特定のデータセットでトレーニングされたこと、または特定のモデルが予測に使用されたことを証明できます。これにより、機械学習モデルの結果に対する信頼性が高まる可能性があり、これは信用スコアリングや医療診断などのアプリケーションにおいて重要です。

セキュリティ機械学習

zk-SNARK を使用すると、モデルが改ざんされていないか、別のモデルに置き換えられていないことを保証することで、機械学習モデルの整合性を保護できます。これは、エッジ デバイスやパブリック クラウドなどの信頼できない環境にモデルがデプロイされるアプリケーションで役立ちます。

ZKonduit (EZKL) の可能なアプリケーション

ZKonduit のようなプロジェクトは、ZK-ML を、ブロックチェーンに目を向け、判断力を行使するスマート コントラクト、ワンマン オラクル、そして一般にスケーラブルな方法でオンチェーンにデータを取得するための鍵とみなしています。 ZK-ML オラクルを使用すると、オフチェーンからブロックチェーンにデータを転送する簡単、高速、効率的な方法が提供され、データをオンチェーンに持ち込む可能性が大幅に高まります。 ZK-ML を使用すると、「賢い裁判官」が曖昧なイベントを解釈できるようになります。これは、Web3 の想像を絶する新しい使用例につながる可能性がありますが、以下は最近議論されたもののほんの一部です。

ZK KYC

個人の身元が対応する ID カードと一致し、その ID 番号が制裁リストに載っていないことを証明できること。この技術は利用可能だが、規制当局は現在、銀行に対し、顧客が制裁リストに載っていないことを確認するだけでなく、顧客を「知る」ことを求めているため、この技術を受け入れない可能性がある。これは規制当局にとって新たな領域であり、望ましくないプレーヤーが分散型プロジェクトを使用することを防ぐための措置を講じる必要があります。

不正チェック

スマート コントラクトまたは抽象アカウントには、異常な動作を検出するための ZK-ML 詐欺スパム チェックが追加されます。これは、ゼロ知識機械学習技術を使用して、アクティビティのパターンを分析し、不正またはスパムのアクティビティの既知のパターンと比較することにより、不正またはスパムのアクティビティを検出および防止できることを意味します。これは、悪意のあるアクティビティを検出して防止することで、システムのセキュリティと整合性を確保するのに役立ちます。

DAOを自律化する

結論は

結論は

ゼロ知識証明を AI システムに統合すると、これらのシステムを使用するユーザーと企業に新しいレベルのセキュリティとプライバシーを提供できます。基礎となるデータやアルゴリズムを明らかにすることなく AI が決定の正当性を証明できるようにすることで、ゼロ知識証明はデータ侵害や悪意のある攻撃のリスクを軽減するのに役立ちます。さらに、AI システムの公平性と正確性を証明するための透明性と検証可能な方法を提供することで、AI システムの信頼を構築するのに役立ちます。

人工知能の分野が成長し、拡大し続けるにつれて、これらの強力なテクノロジーの安全かつ責任ある展開を確保するために、ゼロ知識証明の適用がますます重要になります。