論文の概要: Bionetta: Efficient Client-Side Zero-Knowledge Machine Learning Proving
- arxiv url: http://arxiv.org/abs/2510.06784v1
- Date: Wed, 08 Oct 2025 09:10:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-09 16:41:20.379966
- Title: Bionetta: Efficient Client-Side Zero-Knowledge Machine Learning Proving
- Title（参考訳）: Bionetta: 効率的なクライアントサイドゼロ知識機械学習証明
- Authors: Dmytro Zakharov, Oleksandr Kurbatov, Artem Sdobnov, Lev Soukhanov, Yevhenii Sekhin, Vitalii Volovyk, Mykhailo Velykodnyi, Mark Cherepovskyi, Kyrylo Baibula, Lasha Antadze, Pavlo Kravchenko, Volodymyr Dubinin, Yaroslav Panasenko,
- Abstract要約: 本稿では,我々のUltraGrothベースのゼロ知識機械学習フレームワークであるBionettaの性能を,EZKLやLagrangeのDeep-prove,zkmlといった類似のツールと比較する。
その結果、カスタム構築されたニューラルネットワークの証明時間が大幅に向上した。モバイルデバイスでも証明可能で、多くのクライアントサイドの証明アプリケーションが可能になる。
- 参考スコア（独自算出の注目度）: 9.892623006517677
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this report, we compare the performance of our UltraGroth-based zero-knowledge machine learning framework Bionetta to other tools of similar purpose such as EZKL, Lagrange's deep-prove, or zkml. The results show a significant boost in the proving time for custom-crafted neural networks: they can be proven even on mobile devices, enabling numerous client-side proving applications. While our scheme increases the cost of one-time preprocessing steps, such as circuit compilation and generating trusted setup, our approach is, to the best of our knowledge, the only one that is deployable on the native EVM smart contracts without overwhelming proof size and verification overheads.
- Abstract（参考訳）: 本稿では,我々のUltraGrothベースのゼロ知識機械学習フレームワークであるBionettaの性能を,EZKLやLagrangeのDeep-prove,zkmlといった類似のツールと比較する。
その結果、カスタム構築されたニューラルネットワークの証明時間が大幅に向上した。モバイルデバイスでも証明可能で、多くのクライアントサイドの証明アプリケーションが可能になる。
私たちの手法は,回路コンパイルや信頼性の高いセットアップ生成などのワンタイム前処理のコストを増大させるが,我々の知る限りでは,証明サイズや検証のオーバーヘッドが圧倒的に大きいことなく,ネイティブなEVMスマートコントラクトにデプロイ可能な唯一の方法である。
関連論文リスト
- VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。
我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。
モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
論文 参考訳（メタデータ） (2025-09-01T01:45:18Z) - TSCM: A Teacher-Student Model for Vision Place Recognition Using Cross-Metric Knowledge Distillation [6.856317526681759]
視覚的位置認識は、移動ロボットの自律的な探索とナビゲーションにおいて重要な役割を果たす。
既存の手法では、強力だが大規模なネットワークを利用することでこれを克服している。
本稿では,TSCMと呼ばれる高性能な教師と軽量な学生蒸留フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-02T02:29:41Z) - Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。
注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。
検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-06-12T15:52:02Z) - A tool for emulating neuromorphic architectures with memristive models
and devices [0.0]
メムリスタモデルを用いて、幅広いニューロモルフィックアーキテクチャをエミュレートできるユーザフレンドリーなソフトウェア基盤を提案する。
このツールの汎用性は、使用済みmmristorおよびNeuronal Modelのパラメータをカスタマイズする機能を通じて示される。
また,本ツールを用いて,本ツールを用いて,シリコン内における概念のエミュレートを行う方法を示す。
論文 参考訳（メタデータ） (2022-07-16T17:30:57Z) - GENEOnet: A new machine learning paradigm based on Group Equivariant
Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。
我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
論文 参考訳（メタデータ） (2022-01-31T11:14:51Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z)
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。