介绍

本文深入探究了激动人心的可核查的人工智能领域,专注于递归ZK-Snarks和折叠的集成方案。主要目标是结合的推理过程神经网络模型在0知识电路。circom写的,这些电路提供一个强大的框架,折叠重复推论到单个实例,从而提高效率和隐私。最初Halo2使用面曲线的递归地计算证明这些递归。

表的内容

·介绍
·表的内容
·好吧我知道ZK,但到底是ZKML ?
·新星是什么?
·Nova怎么能用于可核查的AI (ZKML) ?
∘案例1
∘案例2
·如何使用ZKML香蕉SDK和新星吗?
∘私人的脸Id
∘监护人为事务筛选
·结论

好吧我知道ZK,但到底是ZKML ?

ZK-Snarks获得了显著牵引区块链应用由于其简洁和安全。在机器学习领域,深度学习,人工智能,ZK-Snarks提供巨大的潜力。利用人工智能工具,如ChatGPT和MidJourney继续上升,确保这些系统的完整性和内容生成变得至关重要。ZK-Snarks提供一个可行的解决方案来实现这一验证。然而,问题是:我们怎样才能有效地实现和AI隐私吗?

人工智能模型用于各种应用程序依赖于一个广泛的一系列参数,通常包括数十亿在深层神经网络权重。例如,聊天GPT 4拥有惊人的100万亿重量来计算其输出。一个基于普遍的挑战与api的模型推论是缺乏透明度对于特定模型用于生成输出。因此,有可能是用户可能支付访问高级版的一个模型,但输出使用劣质的权重计算。虽然这可能无关紧要的琐碎的任务,就在医疗等领域至关重要的推论或财务决策,AI输出的准确性和可靠性是至关重要的。

新星是什么?

Nova使递归证明代zk参数,提供了一种手段展示一组特定的电路的执行指令N次,消除多余的步骤。这种方法提供了重要的效率收益。例如,考虑这样一个场景,有10个签名验证。而不是运行电路和产生十倍十zk验证证明,Nova折叠电路计算的单一实例R1CS,简化整个验证过程。

Nova采用构造一个延迟的方法增量可核查的计算(IVC),免去了蛇鲨每一步的证明。折叠方案用于新星促进合并两个NP实例(Xi, Wi)折叠成一个NP实例,包括证明折叠的实例。利用这种方法,验证过程进行了简化,从而提高效率和计算性能。

印度河流域文明最初验证每个增量步生成一个证据,保证计算的正确性。这个证明包括增强电路,其中包括一个“匹配电路验证前一步的证明。递归,最后证明证明整个增量计算的正确性。这可以实现验证周期的曲线,就像意大利面曲线。当我们知道有两个字段的椭圆曲线,基本场和标量场。在这个递归验证验证器使用一个椭圆曲线字段在哪里了。

Nova利用放松1级约束系统(R1CS)使其折叠方案。而传统R1CS是属于np完全类语言,作为泛化的算术电路可满足性,新星的放松版本引入了灵活性。矩阵A, B和C R1CS提供基本门信息为一个特定的约束系统。

Z是解决矢量,它由“x”和“W”,其中“x”是公共投入和“W”是私人证人。我们将代入Z首先完成多项式的评价,然后证明了验证器验证通过双线性配对(至少这发生在Groth的16)。

如果我们试着把两个解向量、Z1和Z2正常R1CS随机线性组合。

后插入随机线性组合的值

我们可以看到这是不工作,我们得到很多交叉项和二次“r”的力量

这里我们使用放松R1CS容纳这些额外的条件

我们使用一个松弛矢量E吸收的交叉项和一个标量u ' r '的额外权力

使用这些修改之后,我们现在必须致力于两件事见证W和松弛矢量E。

在最后一步生成的约束是使用交互式甲骨文(IOP)即证据。斯巴达生成的证明。这是一个非常高水平的介绍新星,可以了解到更多的细节纸。

Nova怎么能用于可核查的AI (ZKML) ?

案例1

在神经网络模型,每层之间的推理涉及到矩阵乘法操作。这些操作具有连续重复模式的架构层,如层1、2和3,是一样的,包含一个相同数量的神经元或激活。新星提供了一个解决方案来有效地处理这些重复的乘法折叠技术。

在电路中,两层之间的乘法(例如,L1和L2)实现,然后这个电路是利用新星执行折叠N次。折叠一个随机线性组合是一种计算有效利用的过程多方安全乘法(msm),这是更有效的比non-parallelizable快速傅里叶变换(fft算法)。这个折叠过程收益率一个声称包含所有N步或层。

昂贵的蛇鲨机械的参与只需要证明这个单一实例。这个发生在折叠的实例生成的Nova被送入一个蛇鲨斯巴达式的,促进建立一个简洁的证明。通过利用这种折叠技术和集成新星和斯巴达,高效和简洁的证明可以折叠的神经网络计算实现。

一个限制上述方法是其要求固定大小的中间层神经网络,这可能并不总是可行的。现代和强大的网络通常采用层大小不一。然而,这种限制可以克服利用超新星,提供更大的灵活性,适应多种电路。

超新星区分本身通过引入成本模型的费用证明一个程序步骤是完全依赖于电路的大小表示该指令执行的步骤。它标志着一个重大的偏离以前的方法使用通用的电路,证明一个程序步骤的成本通常是成正比的总和大小的电路代表所有支持的指令。值得注意的是,尽管一个程序步骤只调用一个特定的指令,之前的方法仍然承担相关费用所有支持的指令。

案例2

我们可以有另一个模型,我们可以整个毫升circom内部的电路模型。这包括所有的层的电路。e有一个输入数据,然后输出模型的直接结果。这可以使用,我们需要从大量数据点的推理。我们可以计算每一步输出和检查一个特定的条件或聚合推理结果与一个蛇鲨最后证明,所有的计算是正确的在每一增量步完成的。Nova采用折叠方案非交互式系统和实例化一个放松R1CS实例的计算和折叠N次。

美联储模型在一些公共投入和私人证人,然后执行推理一个样本,计算误差项和一个误差项的承诺保持匹配。不像其他的印度河流域文明的证据并不是每次样品完成后生成的。而我们利用房地产,A, B, C矩阵的RICS解决每一个电路,只有解向量正在改变。所以解决方案向量成为当前和过去的RLC解向量。这种led交叉项的生成,然后计算和承诺。

如何使用ZKML香蕉SDK和新星吗?

目前香蕉SDK我们的目标是两个ZKML用例:

私人的脸Id

私人面部识别钱包复苏的关键区域勘探香蕉账户。目前,我们的钱包恢复解决方案依赖于安全多方计算(MPC)复苏的,这包括存储碎片在不同的实体。然而,为了实现更大的权力下放和提升用户隐私,我们正在调查的集成私人神经网络和0知识简洁的非交互式参数(ZK-SNARKs)面部识别的知识。

通过利用私人神经网络,用户将能够扫描他们的脸恢复。面部特征的匹配,和伴随的验证证明将验证的正确性的脸。这种方法消除了依赖集中的实体和提供了一个更加安全和保护隐私的解决方案的钱包复苏。

通过我们持续的研究和开发的努力,我们的目标是推动私人领域的面部识别,为分散的进化和以用户为中心的解决方案。我们致力于推动创新的边界为我们的用户提供健壮和可靠的钱包恢复机制。请继续关注更新在这个激动人心的发展。

监护人为事务筛选

的当前状态万能钥匙构成潜在风险,交易数据之前签署仍是看不见的。这种缺乏可见性会增加用户在不知情的情况下签署的可能性不正确的信息和事务。为了解决这个问题,一个简单的解决方案实现对话框显示事务细节口令验证提示之前,确保用户意识。

然而,挑战出现在防止恶意参与者和误导性信息显示弹出窗口。解决这个问题,一个链上监护人减轻phishy交易是必要的。这个监护人将依靠一个分类模型,ZK-SNARK内操作,来识别潜在的欺诈性交易。分类模型将交易信息作为私有变量,产生一个结果伴随着一个证明。

重要的是要注意,这个解决方案目前处于刚刚起步的阶段,需要大量精致的整体架构和设计。还需要进一步的勘探和开发来优化系统的功能和安全性。

通过解决这些挑战和发展架构,我们的目标是增强Passkey-based事务的可靠性和可信度。继续研究和改进将在建立一个健壮的和关键的安全框架,验证用户身份验证和事务。

结论

这个空间是最近看到了积极的研究,我们会看到很多进步的可核查的人工智能客户端验证。llm的到来我们可以看到人工智能空间捡。我们将需要更多的隐私前提下使系统,用户可以使用他们的私人信息和完成transperancy应该来自用户的维护。我希望你喜欢读这篇文章,将从你一些反馈。请您的评论下面或联系我推特。