論文の概要: ToxiEval-ZKP: A Structure-Private Verification Framework for Molecular Toxicity Repair Tasks

• arxiv url: http://arxiv.org/abs/2508.12035v1
• Date: Sat, 16 Aug 2025 13:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.523108
• Title: ToxiEval-ZKP: A Structure-Private Verification Framework for Molecular Toxicity Repair Tasks
• Title（参考訳）: ToxiEval-ZKP:分子毒性修復作業のための構造原性検証フレームワーク
• Authors: Fei Lin, Tengchao Zhang, Ziyang Gong, Fei-Yue Wang,
• Abstract要約: 本稿では,分子毒性修復の課題に焦点をあてる。 構造プライベートな検証フレームワークであるToxiEval-ZKPを提案する。 このタスクの評価プロセスにゼロ知識証明機構を導入する。
• 参考スコア（独自算出の注目度）: 11.82977837203945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, generative artificial intelligence (GenAI) has demonstrated remarkable capabilities in high-stakes domains such as molecular science. However, challenges related to the verifiability and structural privacy of its outputs remain largely unresolved. This paper focuses on the task of molecular toxicity repair. It proposes a structure-private verification framework - ToxiEval-ZKP - which, for the first time, introduces zero-knowledge proof (ZKP) mechanisms into the evaluation process of this task. The system enables model developers to demonstrate to external verifiers that the generated molecules meet multidimensional toxicity repair criteria, without revealing the molecular structures themselves. To this end, we design a general-purpose circuit compatible with both classification and regression tasks, incorporating evaluation logic, Poseidon-based commitment hashing, and a nullifier-based replay prevention mechanism to build a complete end-to-end ZK verification system. Experimental results demonstrate that ToxiEval-ZKP facilitates adequate validation under complete structural invisibility, offering strong circuit efficiency, security, and adaptability, thereby opening up a novel paradigm for trustworthy evaluation in generative scientific tasks.
• Abstract（参考訳）: 近年、生成人工知能(GenAI)は分子科学などの高度な領域において顕著な能力を発揮している。 しかし、その出力の妥当性と構造的プライバシに関する課題はほとんど未解決のままである。 本稿では,分子毒性修復の課題に焦点をあてる。 ゼロ知識証明(ZKP)機構をこのタスクの評価プロセスに導入した,構造プライベートな検証フレームワークであるToxiEval-ZKPを提案する。 このシステムにより、モデル開発者は、生成した分子が分子構造自体を明らかにすることなく、多次元毒性修復基準を満たすことを外部検証者に示すことができる。 そこで本研究では,分類処理と回帰処理の両方に適合する汎用回路を設計し,評価ロジック,ポセイドンベースのコミットメントハッシュ,およびNullifierベースのリプレイ防止機構を組み込んで,完全なエンドツーエンドZK検証システムを構築する。 実験により、ToxiEval-ZKPは、完全な構造的可視性の下で適切な検証をし、高い回路効率、セキュリティ、適応性を提供し、生成科学的タスクにおいて信頼できる評価のための新しいパラダイムを創出することを示した。

関連論文リスト

• Conditional Chemical Language Models are Versatile Tools in Drug Discovery [0.0]
  分子の優先順位を決定するための生物学的文脈を規定する化学モデリングフレームワークSAFE-Tを提案する。 仮想スクリーニング、ドラッグ・ターゲット相互作用予測、アクティビティ・崖検出などのタスク間で分子のスコアリングがサポートされている。 既存のアプローチに匹敵するパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2025-07-14T13:42:39Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
  EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。 現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-06-13T08:00:54Z)
• Breaking Bad Molecules: Are MLLMs Ready for Structure-Level Molecular Detoxification? [19.700175505235876]
  ToxiMolは、分子毒性の修復に焦点を当てた汎用マルチモーダル言語モデル(MLLM)のための最初のベンチマークタスクである。 11の一次課題と560の有毒な分子を包含し, 多様な機構と粒度にまたがる標準データセットを構築した。
  論文  参考訳（メタデータ） (2025-06-12T17:25:53Z)
• Epistemic Closure and the Irreversibility of Misalignment: Modeling Systemic Barriers to Alignment Innovation [0.0]
  人工知能の安全な開発を保証する努力は、しばしばコンセンサスに基づくアライメントアプローチに依存する。 本稿では, 認知, 制度, 社会的, インフラ的フィルタを併用してアライメント提案を不可能にする, てんかん閉鎖機能モデルを提案する。 本稿では,AIシステムによる拒絶・非エンゲージメントパターンのメタ分析を含む,理論的および経験的情報源の両方が支持する重み付きクロージャモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-02T18:35:15Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。