論文の概要: zkSDK: Streamlining zero-knowledge proof development through automated trace-driven ZK-backend selection

• arxiv url: http://arxiv.org/abs/2507.05294v1
• Date: Sat, 05 Jul 2025 19:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.240009
• Title: zkSDK: Streamlining zero-knowledge proof development through automated trace-driven ZK-backend selection
• Title（参考訳）: zkSDK: 自動トレース駆動ZKバックエンド選択によるゼロ知識証明開発を合理化する
• Authors: William Law,
• Abstract要約: この論文では、Zero-Knowledgeアプリケーション開発を合理化するモジュラーフレームワークであるzkSDKを紹介している。 zkSDKの中核は、カスタムPythonのようなプログラミング言語Prestoである。 我々はzkSDKがサポート対象のZKバックエンドから最適なバックエンドを効果的に選択できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid advancement of creating Zero-Knowledge (ZK) programs has led to the development of numerous tools designed to support developers. Popular options include being able to write in general-purpose programming languages like Rust from Risc Zero. Other languages exist like Circom, Lib-snark, and Cairo. However, developers entering the ZK space are faced with many different ZK backends to choose from, leading to a steep learning curve and a fragmented developer experience across different platforms. As a result, many developers tend to select a single ZK backend and remain tied to it. This thesis introduces zkSDK, a modular framework that streamlines ZK application development by abstracting the backend complexities. At the core of zkSDK is Presto, a custom Python-like programming language that enables the profiling and analysis of a program to assess its computational workload intensity. Combined with user-defined criteria, zkSDK employs a dynamic selection algorithm to automatically choose the optimal ZK-proving backend. Through an in-depth analysis and evaluation of real-world workloads, we demonstrate that zkSDK effectively selects the best-suited backend from a set of supported ZK backends, delivering a seamless and user-friendly development experience.
• Abstract（参考訳）: Zero-Knowledge (ZK)プログラムの作成の急速な進歩は、開発者をサポートするために設計された多数のツールの開発につながった。 一般的な選択肢としては、Rustのような汎用プログラミング言語をRisc Zeroから書くことが挙げられる。 他の言語としては、Circom、Lib-snark、Cairoなどがある。 しかし、ZKの世界に入る開発者は、選択すべきさまざまなZKバックエンドに直面しているため、学習曲線が急激で、さまざまなプラットフォームで開発者エクスペリエンスが断片化している。 その結果、多くの開発者は単一のZKバックエンドを選択し、それと結びついている傾向にある。 この論文では、バックエンドの複雑さを抽象化することで、ZKアプリケーション開発を合理化するモジュラーフレームワークであるzkSDKを紹介している。 zkSDKの中核であるPrestoは、Pythonライクなカスタムプログラミング言語で、プログラムのプロファイリングと分析により、その計算ワークロードの強度を評価することができる。 ユーザ定義の基準と組み合わせて、zkSDKは動的選択アルゴリズムを使用して、最適なZKを提供するバックエンドを自動的に選択する。 実世界のワークロードの詳細な分析と評価を通じて、zkSDKがサポート対象のZKバックエンドから最適なバックエンドを効果的に選択し、シームレスでユーザフレンドリな開発エクスペリエンスを提供することを示した。

関連論文リスト

• SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
  We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。 従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-05-29T18:28:02Z)
• From Hand-Crafted Metrics to Evolved Training-Free Performance Predictors for Neural Architecture Search via Genetic Programming [0.0]
  ゼロコスト(ZC)メトリクスを用いたネットワーク性能の推定は、ニューラルネットワーク探索(NAS)における効率性と有効性の両方を証明している。 本研究では,ZCメトリクスの設計を自動化するために,遺伝的プログラミングを用いたシンボリック回帰に基づくフレームワークを提案する。 我々のフレームワークは高いだけでなく、真のネットワーク性能と強い正のランク相関を持つZCメトリックを迅速に生成できる。
  論文  参考訳（メタデータ） (2025-05-16T07:12:42Z)
• SoK: Understanding zk-SNARKs: The Gap Between Research and Practice [12.706199263238192]
  我々は,zk-SNARKを理論から実践まで包括的に研究し,ギャップと限界を指摘する。 まず、プログラムをzk-SNARKに変換する際の主要なステップを統一するマスターレシピを示す。 2013年以降、40以上のzk-SNARKを調査し、それらのカテゴリとプロパティをリストアップした参照テーブルを提供する。
  論文  参考訳（メタデータ） (2025-02-04T15:06:58Z)
• Large Language Models Orchestrating Structured Reasoning Achieve Kaggle Grandmaster Level [73.14232472724758]
  我々は、エンドツーエンドの自律データサイエンスエージェントであるAgent K v1.0を紹介する。 経験から学ぶことによって、データサイエンスのライフサイクル全体を管理する。 キー情報を選択的に保存して検索することで、長期記憶と短期記憶を最適化する。
  論文  参考訳（メタデータ） (2024-11-05T23:55:23Z)
• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)
• ChipXplore: Natural Language Exploration of Hardware Designs and Libraries [1.1704154007740835]
  ChipXploreは、エンジニアが自然言語を使って設計やPDKをクエリできる、大規模な言語モデルを利用したマルチエージェント協調フレームワークである。 ChipXploreは97.39%の精度を実現し、検索を5.63倍速くすることで生産性を向上させる。 ChipXploreのカスタマイズワークフローはジェネリックと比較して、複数のデータベース上の推論と計画のオーケストレーションが可能で、精度は29.78%向上している。
  論文  参考訳（メタデータ） (2024-07-17T17:11:13Z)
• Detecting Continuous Integration Skip : A Reinforcement Learning-based Approach [0.4297070083645049]
  継続的統合(CI)プラクティスは、自動ビルドとテストプロセスを採用することで、コード変更のシームレスな統合を促進する。 Travis CIやGitHub Actionsといった一部のフレームワークは、CIプロセスの簡素化と強化に大きく貢献している。 開発者はCI実行に適したコミットやスキップの候補としてコミットを正確にフラグ付けすることの難しさに悩まされ続けている。
  論文  参考訳（メタデータ） (2024-05-15T18:48:57Z)

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。