論文の概要: A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning
- arxiv url: http://arxiv.org/abs/2502.18535v1
- Date: Tue, 25 Feb 2025 05:04:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:59:29.759563
- Title: A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning
- Title（参考訳）: ゼロ知識証明に基づく検証可能な機械学習に関する調査
- Authors: Zhizhi Peng, Taotao Wang, Chonghe Zhao, Guofu Liao, Zibin Lin, Yifeng Liu, Bin Cao, Long Shi, Qing Yang, Shengli Zhang,
- Abstract要約: ゼロ知識証明(ZKP)技術は、センシティブなデータを開示することなく、トレーニングプロセスと推論プロセスの両方において、モデル性能と信頼性の効果的な検証を可能にする。
ZKPは、機械学習モデルの妥当性とセキュリティを保証する。
この調査論文は、2017年6月から2024年12月までのZKML(Zero-Knowledge Machine Learning)研究の見直しと分析によってギャップを埋めることを目的としている。
- 参考スコア（独自算出の注目度）: 11.935644882980233
- License:
- Abstract: As machine learning technologies advance rapidly across various domains, concerns over data privacy and model security have grown significantly. These challenges are particularly pronounced when models are trained and deployed on cloud platforms or third-party servers due to the computational resource limitations of users' end devices. In response, zero-knowledge proof (ZKP) technology has emerged as a promising solution, enabling effective validation of model performance and authenticity in both training and inference processes without disclosing sensitive data. Thus, ZKP ensures the verifiability and security of machine learning models, making it a valuable tool for privacy-preserving AI. Although some research has explored the verifiable machine learning solutions that exploit ZKP, a comprehensive survey and summary of these efforts remain absent. This survey paper aims to bridge this gap by reviewing and analyzing all the existing Zero-Knowledge Machine Learning (ZKML) research from June 2017 to December 2024. We begin by introducing the concept of ZKML and outlining its ZKP algorithmic setups under three key categories: verifiable training, verifiable inference, and verifiable testing. Next, we provide a comprehensive categorization of existing ZKML research within these categories and analyze the works in detail. Furthermore, we explore the implementation challenges faced in this field and discuss the improvement works to address these obstacles. Additionally, we highlight several commercial applications of ZKML technology. Finally, we propose promising directions for future advancements in this domain.
- Abstract（参考訳）: 機械学習技術がさまざまな領域で急速に進歩するにつれて、データのプライバシやモデルのセキュリティに対する懸念が大幅に高まっている。
これらの課題は、エンドユーザデバイスの計算リソース制限のため、クラウドプラットフォームやサードパーティサーバでモデルがトレーニングされ、デプロイされるときに特に顕著である。
これに対し、ゼロ知識証明(ZKP)技術が有望なソリューションとして登場し、センシティブなデータを開示することなく、トレーニングプロセスと推論プロセスの両方において、モデル性能と信頼性の効果的な検証を可能にする。
このように、ZKPは機械学習モデルの妥当性とセキュリティを保証するため、プライバシ保護AIにとって貴重なツールである。
ZKPを利用した検証可能な機械学習ソリューションを調査する研究もあるが、包括的な調査とこれらの取り組みの概要は残っていない。
この調査論文は、2017年6月から2024年12月までのZKML(Zero-Knowledge Machine Learning)研究を精査し、分析することで、このギャップを埋めることを目的としている。
まず、ZKMLの概念を導入し、ZKPアルゴリズムのセットアップを検証可能なトレーニング、検証可能な推論、検証可能なテストの3つの主要なカテゴリの下に概説する。
次に、これらのカテゴリで既存のZKML研究を包括的に分類し、詳細を解析する。
さらに、この分野で直面している実装上の課題について検討し、これらの障害に対処するための改善作業について議論する。
さらに、ZKML技術の商業的応用をいくつか紹介する。
最後に,本領域の今後の発展に向けて,将来的な方向性を提案する。
関連論文リスト
- Verification of Machine Unlearning is Fragile [48.71651033308842]
両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。
この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
論文 参考訳（メタデータ） (2024-08-01T21:37:10Z) - Vulnerability Detection in Smart Contracts: A Comprehensive Survey [10.076412566428756]
本研究では、スマートコントラクトにおける脆弱性の検出と緩和を改善する機械学習技術の可能性を検討する。
2018年から2023年にかけて、IEEE、ACM、ScienceDirect、Scopus、Google Scholarといったデータベースから88の記事を分析しました。
その結果、KNN、RF、DT、XG-Boost、SVMといった古典的な機械学習技術は、脆弱性検出において静的ツールよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-07-08T11:51:15Z) - Machine Unlearning for Traditional Models and Large Language Models: A Short Survey [11.539080008361662]
機械学習は、データを削除し、ユーザーの要求に応じてモデルへの影響を減らすことを目的としている。
本稿では,従来のモデルとLarge Language Models(LLMs)の両方の非学習を分類し,検討する。
論文 参考訳（メタデータ） (2024-04-01T16:08:18Z) - The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。
LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。
機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文 参考訳（メタデータ） (2024-03-23T09:26:15Z) - Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - Zero-knowledge Proof Meets Machine Learning in Verifiability: A Survey [19.70499936572449]
高品質なモデルは、効率的な最適化アルゴリズムだけでなく、膨大なデータと計算能力に基づいて構築されたトレーニングと学習プロセスにも依存する。
計算リソースの制限やデータプライバシの懸念など,さまざまな課題があるため,モデルを必要とするユーザは,マシンラーニングモデルをローカルにトレーニングすることはできないことが多い。
本稿では,ゼロ知識証明に基づく検証可能な機械学習(ZKP-VML)技術について包括的に調査する。
論文 参考訳（メタデータ） (2023-10-23T12:15:23Z) - A Survey on Automated Software Vulnerability Detection Using Machine
Learning and Deep Learning [19.163031235081565]
近年、ソースコードの脆弱性を検出する機械学習(ML)とディープラーニング(DL)ベースのモデルが提示されている。
既存の研究のギャップを見つけることは困難であり、総合的な調査をせずに将来の改善の可能性を見出すのは難しいかもしれない。
この作業は、ML/DLベースのソースコードレベルソフトウェア脆弱性検出アプローチの様々な特徴を特徴付けるための体系的な調査を提示することで、そのギャップに対処する。
論文 参考訳（メタデータ） (2023-06-20T16:51:59Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。
MLモデルは古いデータをよく記憶します。
機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文 参考訳（メタデータ） (2022-09-06T08:51:53Z) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳（メタデータ） (2022-04-26T17:00:07Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。