在过去的一年里，zk-SNARK的进步超出了预期。虽然人们普遍认为这些创新将需要几年时间，但ZK-EVM等应用程序正在出现。zk-SNARK的增强功能使得探索区块链的新使用案例成为可能。特别是，我们正在密切关注使用zk-SNARK来解决机器学习和人工智能的日益广泛使用所带来的许多迫切问题的研究。
随着机器学习的普及，它被广泛应用于各种应用中。然而，其预测的可靠性及其对不透明数据源的依赖已成为一个主要问题。* *很难宣称一个模型具有很高的准确性，并且无法保证在实际产品中预测的一致性和正确性。
本文的目的是简要介绍为什么人们对基于zk-SNARK的机器学习(ZK-ML)系统有浓厚的兴趣，并讨论该技术的一些潜在应用。
你为什么需要ZK-ML？当使用监督机器学习时，输入被提供给已经用特定参数训练的模型。然后，模型会生成一个可供其他系统使用的输出。得益于ONNX等轻量级机器学习框架和格式，现在可以在手机或IOT设备等边缘设备上运行这些推理，而不是将输入数据发送到中央服务器。这提高了用户的可伸缩性和隐私性。
但是，需要注意的是，机器学习模型的输入和参数通常是保密的，不会被公众看到。这是因为输入数据可能包含敏感信息，例如个人财务或生物统计数据，并且模型参数也可能包含敏感信息，例如生物统计验证参数。
另一方面，使用ML模型输出的下游系统，如链上的智能合同，需要能够验证输入是否被正确处理以产生所声称的输出。
机器学习和zkSNARK协议的结合为这些看似矛盾的需求提供了新的解决方案。
ZK-ML用例有许多论文讨论我们如何使用zk-SNARKs来改善我们未来的机器学习。ZK-ML社区提供了一个非常有用的决策树，所以让我们考虑这种技术的各种用例。
该决策树基于两个标准的交集:隐私和计算完整性的需要，以及由机器学习解决的启发式优化问题。换句话说，决策树用于确定是否适合使用涉及ZKML的用例，其中隐私和计算完整性很重要，机器学习技术用于解决启发式优化问题。
以下是zk如何用于ML模型创新的一些方法:
隐私保护机器学习zk-SNARK可用于训练机器学习模型，而不会向模型的创建者或用户公开私人数据。这允许开发可用于敏感或受监管行业(如医疗保健或金融)的模型，而不会损害使用个人数据的个人的隐私。
可验证的机器学习zk-SNARK可用于证明机器学习模型是在特定数据集上训练的，或者在不透露训练数据或模型的详细信息的情况下，使用特定模型进行预测。这可以增加对机器学习模型结果的信任，这在信用评分或医疗诊断等应用中非常重要。
安全机器学习zk-SNARK可用于通过确保模型未被篡改或被不同的模型替换来保护机器学习模型的完整性。这在模型部署在不可信环境(如边缘设备或公共云)的应用程序中非常有用。
ZKonduit(EZKL)项目的可能应用，如ZKonduit，将ZK-ML视为赋予区块链眼睛的关键，允许智能合约行使判断，单人甲骨文，通常以可扩展的方式获取链上的数据。ZK-ML Prophet的使用提供了一种更简单、更快速、更高效的方式将数据从线下传输到区块链，这极大地增加了将数据带入供应链的潜力。ZK-ML可以让“智能法官”解释模糊事件。这可能会给Web3带来难以想象的新用例，但以下只是最近讨论的一些用例:
ZKYC可以证明一个人的身份与对应的身份证匹配，身份证号码不在制裁名单上。虽然这种技术是可用的，但监管机构可能不会接受，因为他们目前要求银行“了解”他们的客户，而不仅仅是验证他们不在制裁名单上。这对监管者来说是一个新的领域，必须采取措施防止不受欢迎的参与者使用分散的项目。
反欺诈检查智能合同或抽象帐户添加了ZK-ML欺诈垃圾邮件检查，以检测异常行为。这意味着零知识机器学习技术可以通过分析活动模式并将其与已知的欺诈或垃圾邮件活动模式进行比较，来检测和防止欺诈或垃圾邮件。这可以通过检测和防止恶意活动来帮助确保系统的安全性和完整性。
使DAO自治Zk-SNARKs技术允许以保护输入数据隐私的方式执行复杂的计算，适用于需要保护敏感信息的情况。机器学习算法可以集成到这项技术中，以实现更高级的决策、评估和更高效和准确的通信系统。这些能力对于DAO未来的内部动态可能至关重要。
结论将零知识证明集成到人工智能系统中，可以为使用这些系统的用户和公司提供新水平的安全和隐私保护。通过使人工智能能够在不暴露底层数据或算法的情况下证明其决策的有效性，零知识证明可以帮助减轻数据泄露和恶意攻击的风险。此外，它们还可以通过提供透明和可验证的方式来证明自己的公平性和准确性，从而帮助建立人工智能系统的信任。
随着人工智能的不断发展和扩展，零知识证明的应用将变得越来越重要，以确保这些强大技术的安全和负责任的部署。
本网站声明:网站内容来源于网络。如有侵权，请联系我们，我们会及时处理。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"ZK-ML解决大规模数据模型隐私、可验证及安全的用例"：http://www.guoyinggangguan.com/qkl/154843.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
