キーポイント：
- 機械学習の人気は高まり、現在ではさまざまな実用的なアプリケーションで広く採用されています。それ以来、ゼロ知識証明はゼロ知識機械学習 (ZKML) 開発の中心となっています。
- 有効性の証明に加えて、プライバシーを保護した ML の使用を可能にするために、計算の一部を隠す場合があります。
2022 年以降、ゼロ知識 (ZK) の人気は依然として高く、そのテクノロジーは ZK シリーズのプロジェクトと同様に大幅に進歩しました。 同時に、ゼロ知識機械学習 (ZKML) が普及し、生産や日常生活で広く使用されるようになったことで、多くの企業が機械学習モデルの設計、トレーニング、展開を開始しました。
ZKML は、最近暗号界で話題になっている研究開発主題です。 しかし、それは正確には何で、なぜ役立つのでしょうか? この記事では、Coincu についてこのトピックについて学びましょう。
ゼロ知識とは何ですか？
ゼロ知識 (ZK) 証明は、一方の当事者である証明者が、別の当事者である検証者に対して、特定のステートメントが真であるという事実以外の追加情報を公開することなく、そのステートメントが正しいことを実証できる暗号プロセスです。 研究からプロトコルの実装や応用に至るまで、さまざまな面で大きな発展を遂げた研究分野です。
一方の当事者 (証明者) が、x の値を知っているという情報を一切与えずに、x の値を知っていることを別の当事者 (検証者) に証明するプロセスがその中心にあります。
Zero-knowledge Proof テクノロジーの主な目的は、入力情報の有効性を検証しながら、入力情報の機密性を維持することです。
ゼロ知識証明の作成は、最初の計算よりも数倍高価な計算コストのかかるプロセスです。 これは、利用可能な最大のハードウェアで構築するのに時間がかかるため、ゼロ知識証明が不可能な特定の計算が存在することを意味します。 しかし、最近の暗号化、テクノロジー、分散システムの改善により、これまで以上に高価な計算でもゼロ知識証明が実現できるようになりました。 これらの進歩により、大量の計算の証明を活用できるプロトコルの開発が可能になり、新しいアプリケーションの設計領域が広がりました。
ZKのメリット
パブリック ブロックチェーン ネットワークなどの透明なシステムでプライバシーを保護するデータセットを採用できることは、ゼロ知識証明 (イーサリアムなど) の大きな利点です。 ブロックチェーンは透明性が高く、独自のブロックチェーン ノードを実行している人なら誰でも台帳に保存されているすべてのデータを表示およびダウンロードできるように設計されていますが、ZKP テクノロジーの追加により、ユーザーや企業はスマート コントラクトの実行にプライベート データ セットを活用できるようになります。基礎となるデータを公開します。
ブロックチェーン ネットワークでのプライバシーの維持は、通信やスマート コントラクトの作成を希望するサプライ チェーン企業、企業、銀行などの従来の組織にとって重要ですが、競争力を維持するには企業秘密を保持する必要があります。 さらに、このような組織は、顧客の個人識別情報 (PII) を保護し、欧州連合の一般データ保護規則 (GDPR) や米国の医療保険の相互運用性と責任に関する法律 (HIPAA) などの規制を遵守することが法律で求められることがよくあります。
許可型ブロックチェーン ネットワークは、企業のトランザクション プライバシーを公衆の監視から保護するために進化しましたが、ZKP により、組織はネットワークと安全に通信できるようになります。 パブリック ブロックチェーンは通常、機密データ セットやプライベート データ セットの管理を放棄することなく、世界中のユーザーによるネットワークへの膨大な影響から恩恵を受けます。 その結果、ZKP テクノロジーは、これまで利用できなかったパブリック ブロックチェーン ネットワークの幅広い組織的ユースケースを効果的に可能にし、イノベーションを促進し、世界経済の成長を促進します。
機械学習
機械学習は、コンピューターが独自にデータを学習して適応できるようにするアルゴリズムの作成と展開を含む人工知能の分野であり、プログラミングを必要としない反復プロセスを通じてパフォーマンスを向上させます。 アルゴリズムとモデルを使用してデータを識別し、モデル パラメーターを利用して予測/決定を生成します。
GPT-4 や Bard などの大規模言語モデルは、大量のトレーニング データを使用して人間のようなテキストを生成する最先端の自然言語処理システムですが、DALL-E 2、Midjourney などのテキストから画像へのモデルは、 、安定した拡散により、テキストの説明が驚くほど忠実に視覚表現に変換されます。
機械学習は現在、さまざまな分野で効果的に活用されています。 これらのモデルが発展するにつれて、ますます多くのジョブを実行するために機械学習が必要となります。 ZK テクノロジーは、プライベート データのパブリック モデル検証を採用したり、パブリック データを使用してプライベート モデルを検証したりすることで、高精度のモデルを実現するために必要です。
これまで説明してきた ZKML は、ML モデルのトレーニングではなく、ML モデルの推論段階のゼロ知識証明を提供するために使用されています。
ZKMLの重要性
人工知能技術が進歩するにつれて、人工知能、人間の知能、人間の世代を区別することがますます困難になります。 これはゼロ知識証明で対処できる問題です。 これにより、モデルや入力に関する追加情報を与えることなく、特定のコンテンツが特定のモデルを適用して作成されたかどうかを検出できます。
AI によって生成されたマテリアルが人間の作成した情報をますます模倣する未来では、ゼロ知識暗号化の使用の可能性は、特定のコンテンツが特定の入力に特定のモデルを適用することによって生成されたものであると判断するのに役立つ可能性があります。 ゼロ知識回路表現がそれらのために構築されれば、GPT4 のような巨大な言語モデル、DALL-E 2 のようなテキストから画像へのモデル、またはその他のモデルからの出力をチェックする技術が得られるかもしれません。 これらの証明のゼロ知識品質により、必要に応じて入力またはモデルのセクションを隠すことができます。 この優れた例は、機密データに機械学習モデルを使用し、ユーザーが入力を第三者に開示することなくデータのモデル推論の結果を知ることができるようにすることです。
古い機械学習プラットフォームでは、パフォーマンス検証のためにモデル アーキテクチャをホストに送信するよう開発者に求められることがよくあります。 これにより、次のようなさまざまな問題が発生する可能性があります。
- 知的財産の損失: モデル アーキテクチャ全体を開示すると、開発者が隠しておきたい重要な企業秘密や発明が明らかになる可能性があります。
- 透明性の欠如: 評価方法が不透明である可能性があり、参加者は自分のモデルが他のモデルとどのように比較されるかを確認できない可能性があります。
- データプライバシーに関する懸念: 機密データに基づいてトレーニングされた共有モデルは、基礎となるデータに関する情報を意図せず漏洩し、プライバシー基準や法律に違反する可能性があります。
- これらの問題により、機械学習モデルとそのトレーニング データのプライバシーを保護する方法の開発が必要になりました。
ZK は、標準的な ML システムが直面する問題に対処する可能性のある方法を提供します。 ZKML は、ZK の機能を利用して、次の利点を持つプライバシー保護ソリューションを提供します。
- モデルのプライバシー: 開発者は、モデル アーキテクチャ全体を明らかにすることなく検証に参加でき、知的財産を保護できます。
- 透過的な検証: ZK はモデルの内部を公開せずに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手順が可能になります。
- データ プライバシー: 機密情報が開示されないことを保証するために、ZK を使用してパブリック モデルを使用したプライベート データ、またはパブリック データを使用したプライベート モデルを検証することができます。
- ZK を ML プロセスに組み込むことで、従来の ML 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、プライバシー企業における機械学習の使用が促進されるだけでなく、経験豊富な Web2 開発者が Web3 エコシステム内の可能性を調査するようになります。
Zkonduit の ezkl ライブラリは、ONNX 経由でエクスポートされた ML モデルの ZK プルーフを構築できるようにするもので、最先端の ZKML システムの向上を目指すもう XNUMX つの取り組みです。 これにより、ML エンジニアはモデルの推論ステップの ZK 証明を生成し、その結果を検証者に証明することができます。
まとめ
ZKML コミュニティは、ZKML 分野 (Worldcoin を含む) で働くさまざまなチームや人々によって 2022 年後半に設立されました。
多くの組織は、特に証明者アルゴリズムや検証者アルゴリズムなどのリソースを大量に消費する操作向けに、ZK 証明計算を高速化する最適化されたハードウェアを開発することで、ZK テクノロジーの向上に努めています。 特殊なハードウェア、証明システム設計 (証明サイズ、検証時間、証明生成時間など)、およびより高性能な ZK プロトコル実装の進歩により、ZK テクノロジが進歩するにつれて、より強力ではないコンピュータでもより短い時間でより大きなモデルを証明できるようになります。 。
ZKML はまだ開発の初期段階にありますが、大きな利点が提供され始めており、チェーン上でより独創的な ZKML アプリケーションが登場することが期待されます。 ZKML が進化するにつれて、プライバシーを保護する機械学習が標準になる未来が想像できます。
免責事項： このウェブサイトの情報は一般的な市場解説として提供されており、投資アドバイスを構成するものではありません。 投資する前に、ご自身で調査を行うことをお勧めします。
ニュースを追跡するために私たちに参加してください： https://linktr.ee/coincu
ハロルド
コインク ニュース
著者
知識
ZKML: セキュリティアプリケーションで成長の可能性を秘めた画期的なテクノロジー
キーポイント：
- 機械学習の人気は高まり、現在ではさまざまな実用的なアプリケーションで広く採用されています。それ以来、ゼロ知識証明はゼロ知識機械学習 (ZKML) 開発の中心となっています。
- 有効性の証明に加えて、プライバシーを保護した ML の使用を可能にするために、計算の一部を隠す場合があります。
2022 年以降、ゼロ知識 (ZK) の人気は依然として高く、そのテクノロジーは ZK シリーズのプロジェクトと同様に大幅に進歩しました。 同時に、ゼロ知識機械学習 (ZKML) が普及し、生産や日常生活で広く使用されるようになったことで、多くの企業が機械学習モデルの設計、トレーニング、展開を開始しました。
ZKML は、最近暗号界で話題になっている研究開発主題です。 しかし、それは正確には何で、なぜ役立つのでしょうか? この記事では、Coincu についてこのトピックについて学びましょう。
ゼロ知識とは何ですか？
ゼロ知識 (ZK) 証明は、一方の当事者である証明者が、別の当事者である検証者に対して、特定のステートメントが真であるという事実以外の追加情報を公開することなく、そのステートメントが正しいことを実証できる暗号プロセスです。 研究からプロトコルの実装や応用に至るまで、さまざまな面で大きな発展を遂げた研究分野です。
一方の当事者 (証明者) が、x の値を知っているという情報を一切与えずに、x の値を知っていることを別の当事者 (検証者) に証明するプロセスがその中心にあります。
Zero-knowledge Proof テクノロジーの主な目的は、入力情報の有効性を検証しながら、入力情報の機密性を維持することです。
ゼロ知識証明の作成は、最初の計算よりも数倍高価な計算コストのかかるプロセスです。 これは、利用可能な最大のハードウェアで構築するのに時間がかかるため、ゼロ知識証明が不可能な特定の計算が存在することを意味します。 しかし、最近の暗号化、テクノロジー、分散システムの改善により、これまで以上に高価な計算でもゼロ知識証明が実現できるようになりました。 これらの進歩により、大量の計算の証明を活用できるプロトコルの開発が可能になり、新しいアプリケーションの設計領域が広がりました。
ZKのメリット
パブリック ブロックチェーン ネットワークなどの透明なシステムでプライバシーを保護するデータセットを採用できることは、ゼロ知識証明 (イーサリアムなど) の大きな利点です。 ブロックチェーンは透明性が高く、独自のブロックチェーン ノードを実行している人なら誰でも台帳に保存されているすべてのデータを表示およびダウンロードできるように設計されていますが、ZKP テクノロジーの追加により、ユーザーや企業はスマート コントラクトの実行にプライベート データ セットを活用できるようになります。基礎となるデータを公開します。
ブロックチェーン ネットワークでのプライバシーの維持は、通信やスマート コントラクトの作成を希望するサプライ チェーン企業、企業、銀行などの従来の組織にとって重要ですが、競争力を維持するには企業秘密を保持する必要があります。 さらに、このような組織は、顧客の個人識別情報 (PII) を保護し、欧州連合の一般データ保護規則 (GDPR) や米国の医療保険の相互運用性と責任に関する法律 (HIPAA) などの規制を遵守することが法律で求められることがよくあります。
許可型ブロックチェーン ネットワークは、企業のトランザクション プライバシーを公衆の監視から保護するために進化しましたが、ZKP により、組織はネットワークと安全に通信できるようになります。 パブリック ブロックチェーンは通常、機密データ セットやプライベート データ セットの管理を放棄することなく、世界中のユーザーによるネットワークへの膨大な影響から恩恵を受けます。 その結果、ZKP テクノロジーは、これまで利用できなかったパブリック ブロックチェーン ネットワークの幅広い組織的ユースケースを効果的に可能にし、イノベーションを促進し、世界経済の成長を促進します。
機械学習
機械学習は、コンピューターが独自にデータを学習して適応できるようにするアルゴリズムの作成と展開を含む人工知能の分野であり、プログラミングを必要としない反復プロセスを通じてパフォーマンスを向上させます。 アルゴリズムとモデルを使用してデータを識別し、モデル パラメーターを利用して予測/決定を生成します。
GPT-4 や Bard などの大規模言語モデルは、大量のトレーニング データを使用して人間のようなテキストを生成する最先端の自然言語処理システムですが、DALL-E 2、Midjourney などのテキストから画像へのモデルは、 、安定した拡散により、テキストの説明が驚くほど忠実に視覚表現に変換されます。
機械学習は現在、さまざまな分野で効果的に活用されています。 これらのモデルが発展するにつれて、ますます多くのジョブを実行するために機械学習が必要となります。 ZK テクノロジーは、プライベート データのパブリック モデル検証を採用したり、パブリック データを使用してプライベート モデルを検証したりすることで、高精度のモデルを実現するために必要です。
これまで説明してきた ZKML は、ML モデルのトレーニングではなく、ML モデルの推論段階のゼロ知識証明を提供するために使用されています。
ZKMLの重要性
人工知能技術が進歩するにつれて、人工知能、人間の知能、人間の世代を区別することがますます困難になります。 これはゼロ知識証明で対処できる問題です。 これにより、モデルや入力に関する追加情報を与えることなく、特定のコンテンツが特定のモデルを適用して作成されたかどうかを検出できます。
AI によって生成されたマテリアルが人間の作成した情報をますます模倣する未来では、ゼロ知識暗号化の使用の可能性は、特定のコンテンツが特定の入力に特定のモデルを適用することによって生成されたものであると判断するのに役立つ可能性があります。 ゼロ知識回路表現がそれらのために構築されれば、GPT4 のような巨大な言語モデル、DALL-E 2 のようなテキストから画像へのモデル、またはその他のモデルからの出力をチェックする技術が得られるかもしれません。 これらの証明のゼロ知識品質により、必要に応じて入力またはモデルのセクションを隠すことができます。 この優れた例は、機密データに機械学習モデルを使用し、ユーザーが入力を第三者に開示することなくデータのモデル推論の結果を知ることができるようにすることです。
古い機械学習プラットフォームでは、パフォーマンス検証のためにモデル アーキテクチャをホストに送信するよう開発者に求められることがよくあります。 これにより、次のようなさまざまな問題が発生する可能性があります。
- 知的財産の損失: モデル アーキテクチャ全体を開示すると、開発者が隠しておきたい重要な企業秘密や発明が明らかになる可能性があります。
- 透明性の欠如: 評価方法が不透明である可能性があり、参加者は自分のモデルが他のモデルとどのように比較されるかを確認できない可能性があります。
- データプライバシーに関する懸念: 機密データに基づいてトレーニングされた共有モデルは、基礎となるデータに関する情報を意図せず漏洩し、プライバシー基準や法律に違反する可能性があります。
- これらの問題により、機械学習モデルとそのトレーニング データのプライバシーを保護する方法の開発が必要になりました。
ZK は、標準的な ML システムが直面する問題に対処する可能性のある方法を提供します。 ZKML は、ZK の機能を利用して、次の利点を持つプライバシー保護ソリューションを提供します。
- モデルのプライバシー: 開発者は、モデル アーキテクチャ全体を明らかにすることなく検証に参加でき、知的財産を保護できます。
- 透過的な検証: ZK はモデルの内部を公開せずに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手順が可能になります。
- データ プライバシー: 機密情報が開示されないことを保証するために、ZK を使用してパブリック モデルを使用したプライベート データ、またはパブリック データを使用したプライベート モデルを検証することができます。
- ZK を ML プロセスに組み込むことで、従来の ML 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、プライバシー企業における機械学習の使用が促進されるだけでなく、経験豊富な Web2 開発者が Web3 エコシステム内の可能性を調査するようになります。
Zkonduit の ezkl ライブラリは、ONNX 経由でエクスポートされた ML モデルの ZK プルーフを構築できるようにするもので、最先端の ZKML システムの向上を目指すもう XNUMX つの取り組みです。 これにより、ML エンジニアはモデルの推論ステップの ZK 証明を生成し、その結果を検証者に証明することができます。
まとめ
ZKML コミュニティは、ZKML 分野 (Worldcoin を含む) で働くさまざまなチームや人々によって 2022 年後半に設立されました。
多くの組織は、特に証明者アルゴリズムや検証者アルゴリズムなどのリソースを大量に消費する操作向けに、ZK 証明計算を高速化する最適化されたハードウェアを開発することで、ZK テクノロジーの向上に努めています。 特殊なハードウェア、証明システム設計 (証明サイズ、検証時間、証明生成時間など)、およびより高性能な ZK プロトコル実装の進歩により、ZK テクノロジが進歩するにつれて、より強力ではないコンピュータでもより短い時間でより大きなモデルを証明できるようになります。 。
ZKML はまだ開発の初期段階にありますが、大きな利点が提供され始めており、チェーン上でより独創的な ZKML アプリケーションが登場することが期待されます。 ZKML が進化するにつれて、プライバシーを保護する機械学習が標準になる未来が想像できます。
免責事項： このウェブサイトの情報は一般的な市場解説として提供されており、投資アドバイスを構成するものではありません。 投資する前に、ご自身で調査を行うことをお勧めします。
ニュースを追跡するために私たちに参加してください： https://linktr.ee/coincu
ハロルド
コインク ニュース
その他の投稿
関連記事
