論文の概要: FibRace: a large-scale benchmark of client-side proving on mobile devices

• arxiv url: http://arxiv.org/abs/2510.14693v1
• Date: Thu, 16 Oct 2025 13:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.882499
• Title: FibRace: a large-scale benchmark of client-side proving on mobile devices
• Title（参考訳）: FibRace: モバイルデバイス上でのクライアントサイド証明の大規模ベンチマーク
• Authors: Simon Malatrait, Alex Sirac,
• Abstract要約: FibRaceは、Cairo Mを使ってスマートフォン上でクライアントサイドの証明生成をテストする最初の大規模な実験である。 99か国で6,047人のプレーヤーが、1,420のユニークなデバイスモデルに関する2,195,488の証明を作成した。 その結果、ほとんどの現代のスマートフォンは5秒以内に証明を完了できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: FibRace, jointly developed by KKRT Labs and Hyli, was the first large-scale experiment to test client-side proof generation on smartphones using Cairo M. Presented as a mobile game in which players proved Fibonacci numbers and climbed a leaderboard, FibRace served a dual purpose: to engage the public and to provide empirical benchmarking. Over a three-week campaign (September 11-30, 2025), 6,047 players across 99 countries generated 2,195,488 proofs on 1,420 unique device models. The results show that most modern smartphones can complete a proof in under 5 seconds, confirming that *mobile devices are now capable of producing zero-knowledge proofs reliably*, without the need for remote provers or specialized hardware. Performance was correlated primarily with RAM capacity and SoC (System on Chip) performance: devices with at least 3 GB of RAM proved stably, when Apple's A19 Pro and M-series chips achieved the fastest proving times. Hyli's blockchain natively verified every proof onchain without congestion. FibRace provides the most comprehensive dataset to date on mobile proving performance, establishing a practical baseline for future research in lightweight provers, proof-powered infrastructure, and privacy-preserving mobile applications.
• Abstract（参考訳）: FibRaceは、KKRT LabsとHyliが共同で開発したもので、Cairo Mを使ってスマートフォン上でクライアントサイドの証明生成をテストする最初の大規模な実験である。 3週間にわたるキャンペーン(2025年9月11日-30日)で、99カ国6,047人のプレイヤーが1,420のユニークなデバイスモデルに対して2,195,488の証明を作成した。 その結果、ほとんどの現代のスマートフォンは5秒以内に証明を完了し、リモートプロバーや特殊なハードウェアを必要とせずに、*モバイルデバイスがゼロ知識の証明を確実に生成できることが確認された。 性能は主にRAM容量とSoC(System on Chip)のパフォーマンスと相関し、少なくとも3GBのRAMを持つデバイスは、AppleのA19 ProとMシリーズのチップが最速の性能を達成した時に安定的に証明された。 Hyliのブロックチェーンは、混雑せずにチェーン上のすべての証明をネイティブに検証した。 FibRaceは、モバイルのパフォーマンスを評価する上で、これまでで最も包括的なデータセットを提供しており、軽量プロバー、証明駆動のインフラストラクチャ、プライバシ保護のモバイルアプリにおける将来の研究のための実践的なベースラインを確立している。

関連論文リスト

• Bionetta: Efficient Client-Side Zero-Knowledge Machine Learning Proving [9.892623006517677]
  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。
  論文  参考訳（メタデータ） (2025-10-08T09:10:32Z)
• PicoSAM2: Low-Latency Segmentation In-Sensor for Edge Vision Applications [10.20223636234956]
  軽量 (1.3M パラメータ、336M MAC) のセグメンテーションモデルである PicoSAM2 は、ソニー IMX500 を含むエッジとインセンサーの実行に最適化された。 COCOとLVISでは、それぞれ51.9%と44.9%のmIoUを達成している。 量子化モデル(1.22MB)は、IMX500で達成された86MAC/サイクルで14.3msで動作する。
  論文  参考訳（メタデータ） (2025-06-23T16:16:02Z)
• Scalable Video-to-Dataset Generation for Cross-Platform Mobile Agents [57.59830804627066]
  実世界のモバイルOSナビゲーションをキャプチャする20Kの指導ビデオから,313Kの注釈付きフレームの大規模データセットであるMONDAYを紹介した。 MONDAYを事前学習フェーズに含むモデルは、堅牢なクロスプラットフォームの一般化機能を示す。 公開されているビデオコンテンツを利用して、包括的なタスクデータセットを作成する自動化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T02:39:03Z)
• MobileVLM : A Fast, Strong and Open Vision Language Assistant for Mobile Devices [73.46317110474064]
  MobileVLM (MobileVLM) は、モバイルデバイス上で動作する多モード視覚言語モデル(MMVLM)である。 これは、CLIP方式で事前訓練されたマルチモーダル視覚モデルである、スクラッチからトレーニングされた1.4Bと2.7Bのスケールの言語モデルで構成されている。
  論文  参考訳（メタデータ） (2023-12-28T08:21:24Z)
• MobileInst: Video Instance Segmentation on the Mobile [39.144494585640714]
  MobileInstは、モバイル機器上のビデオインスタンスセグメンテーションのための軽量でモバイルフレンドリーなフレームワークである。 MobileInstは、ビデオインスタンスのセグメンテーションのためのオブジェクトを追跡するために、シンプルだが効果的なカーネル再利用とカーネル関連を利用する。 我々は,MobileInstの優位性を示すため,COCOとYouTube-VISデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-30T17:59:02Z)
• Learned Smartphone ISP on Mobile GPUs with Deep Learning, Mobile AI & AIM 2022 Challenge: Report [59.831324427712815]
  この課題は、効率的なエンドツーエンドのAIベースの画像処理パイプラインを開発することを目的としている。 モデルはSnapdragonの8 Gen 1 GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。 提案されたソリューションは、最近のすべてのモバイルGPUと互換性があり、フルHD写真を20-50ミリ秒未満で処理でき、高い忠実度を達成できる。
  論文  参考訳（メタデータ） (2022-11-07T22:13:10Z)
• RF Fingerprinting Needs Attention: Multi-task Approach for Real-World WiFi and Bluetooth [1.0312968200748116]
  ドメイン横断型マルチタスクアーキテクチャであるxDomが本研究で紹介されている。 我々は、リッチなマルチパスおよび避けられない干渉環境において、実世界のIoT WiFiおよびBluetooth(BT)エミッションを利用する。 シングルタスクWiFiおよびBTフィンガープリントにおいて,最大59.3%,4.91倍の性能向上を報告した。
  論文  参考訳（メタデータ） (2022-09-07T13:38:06Z)
• MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
  汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。 MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。 また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2022-04-27T14:00:48Z)
• Towards Palmprint Verification On Smartphones [62.279124220123286]
  過去20年間の研究によると、ヤシの印刷物は独特性と永続性に優れた効果がある。 我々はスマートフォン用のDeepMPV+というDCNNベースのパームプリント検証システムを構築した。 DeepMPV+の効率と有効性は広範な実験によって裏付けられている。
  論文  参考訳（メタデータ） (2020-03-30T08:31:03Z)

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。