論文の概要: zkComposer: Decomposing Proof Construction to Scale zkML
- arxiv url: http://arxiv.org/abs/2607.08095v1
- Date: Thu, 09 Jul 2026 04:05:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.409895
- Title: zkComposer: Decomposing Proof Construction to Scale zkML
- Title（参考訳）: zkComposer: zkMLをスケールするためにプロファイラ構築を分解する
- Authors: Pawan Kumar Sanjaya, Christina Giannoula, Valdy Oktavian, Mehdi Saeedi, Gabor Sines, Gururaj Saileshwar, Nandita Vijaykumar,
- Abstract要約: Zero-knowledge Machine Learning (zkML)は、クライアントからモデルパラメータをプライベートに保ちながら、サーバが検証可能な推論を実行することを可能にする。
既存のzkMLシステムでは、証明生成の禁止コストが発生する。
並列性のさらなる次元を解放するモジュラー証明構築フレームワークであるzkComposerを紹介した。
- 参考スコア（独自算出の注目度）: 4.301997310362133
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Zero-knowledge machine learning (zkML) enables a server to perform verifiable inference while keeping model parameters private from the client. However, existing zkML systems incur prohibitive proof-generation costs. We observe that proof generation exhibits limited parallelism; that is, prover time does not decrease significantly as the number of threads increases. This limitation is because existing systems rely on monolithic proof computation, constructing a single proof for the entire machine learning model. We introduce zkComposer, a modular proof-construction framework that unlocks an additional dimension of parallelism, in addition to the parallelism in existing proof kernels. zkComposer decomposes the zkML proof of correct inference into independent sub-proofs, each covering a subset of the computation for inference e.g., each independent sub-proof can cover a subset of contiguous layers in the ML model. Adjacent sub-proofs are cryptographically linked through shared commitments to the activations from the boundary layer. zkComposer provides the same guarantees as the monolithic proof without requiring additional linking proofs or changes to the underlying cryptographic primitives. We implement zkComposer and evaluate it on three CNNs and GPT-2. We show that, on CNN workloads, zkComposer reduces prover time and response time by up to 3.25x relative to zkCNN [1]. On GPT-2, zkComposer reduces these times by up to 4.83x relative to zkGPT [2], when partitioning along the model layers. When partitioning across both model layers and input sequences in GPT-2, we show that zkComposer reduces prover time and response time by up to 6.84x relative to zkGPT [2].
- Abstract（参考訳）: Zero-knowledge Machine Learning (zkML)は、クライアントからモデルパラメータをプライベートに保ちながら、サーバが検証可能な推論を実行することを可能にする。
しかし、既存のzkMLシステムでは、証明生成の禁止コストが発生する。
我々は、証明生成が限られた並列性を示すことを観察する。つまり、証明時間はスレッド数が増加するにつれて著しく減少しない。
この制限は、既存のシステムがモノリシックな証明計算に依存しており、機械学習モデル全体の単一の証明を構築しているためである。
本稿では,既存の証明カーネルの並列性に加えて,並列性のさらなる次元を解放するモジュール型証明構築フレームワークであるzkComposerを紹介する。
zkComposerは、正しい推論のzkML証明を独立したサブプロテクションに分解し、それぞれが推論egの計算のサブセットをカバーし、独立したサブプロテクションはMLモデルの連続したレイヤのサブセットをカバーすることができる。
隣接するサブプロテクションは、バウンダリ層からのアクティベーションに対する共有コミットメントを通じて、暗号的にリンクされる。
zkComposerは、基礎となる暗号プリミティブへの追加のリンクや変更を必要とせずに、モノリシックな証明と同じ保証を提供する。
我々は、zkComposerを実装し、3つのCNNとGPT-2で評価する。
CNNのワークロードでは、zkComposerは、zkCNN [1]と比較して、証明時間と応答時間を最大3.25倍削減する。
GPT-2では、zkComposerはモデル層に沿ってパーティショニングする場合、これらの時間をzkGPT[2]と比較して最大4.83倍削減する。
GPT-2におけるモデル層と入力シーケンスの両方を分割すると、zkComposerはzkGPT [2]に対して、証明時間と応答時間を最大6.84倍削減することを示す。
関連論文リスト
- Verified Detection and Prevention of Concurrency Anomalies in Multi-Agent Large Language Model Systems [0.0]
マルチエージェント LLM システムは、メモリストア、ベクトルインデックス、ツールレジストリを経由する。
我々は、決定論的意味論の下で、長期にわたるリード・ジェネレーション・ライト操作などの共有をモデル化する。
われわれはTLA+の4つの異常を定式化した: 老化, ファントムツール, 因果カスケード, ツール・エフェクト・リオーダー。
論文 参考訳（メタデータ） (2026-06-15T18:19:34Z) - Do Transformers Actually Help Intrusion Detection? A Temporal Sequence Evaluation on CIC-IDS2017 [1.2934180951771597]
我々はCIC-IDS 2017を、ネットワーク会話から順序付きフローシーケンスを構築することで、時間的侵入検出タスクとして再構成する。
中心的な発見は、アーキテクチャではなくパディング規約がトランスフォーマーのパフォーマンスを決定することである。
我々は、将来のIDS研究において、漏洩のない分割、明示的なパディング開示、シーケンシャル・アウェア・ベンチマークを標準的実践として推奨する。
論文 参考訳（メタデータ） (2026-06-09T16:57:10Z) - Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability [48.83701310501069]
大規模言語モデル(LLM)は、反復型ニューラルアーキテクチャサーチ(NAS)におけるジェネレータとしてますます使われている。
我々は,LCM-NASを,実行可能プログラム上でのパラメトリッククロスエントロピー(CE)法としてモデル化する。
我々は,(1)エリートアーキテクチャの反復LEM微調整は,LLMファミリーに制限されたCE更新と同等であり,(2)期待されるアーキテクチャ品質はサイクル毎に単調に低下せず,(3)エリートセットの確率は幾何率で一定点に収束する,という6つの結果を示した。
論文 参考訳（メタデータ） (2026-05-28T15:45:19Z) - OScaR: The Occam's Razor for Extreme KV Cache Quantization in LLMs and Beyond [50.440302567029654]
マルチモーダルインテリジェンスにより、Key-Valueキャッシュは効率的なデプロイメントのための主要なメモリボトルネックとなった。
本研究では、チャネルごとの量子化パラダイムの本質的な限界を再考する。
X-LLMのための高精度かつ軽量なKVキャッシュ圧縮フレームワークOScaRを提案する。
論文 参考訳（メタデータ） (2026-05-19T10:53:03Z) - Latent-Condensed Transformer for Efficient Long Context Modeling [60.72493959155964]
大規模言語モデルに対するLCA(Latent-Condensed Attention)を提案する。
LCAはMLAの潜伏空間内のコンテキストを凝縮し、表現はセマンティック潜伏ベクトルと位置キーに切り離される。
LCAは、最大2.5$times$プリフィルスピードアップと128Kコンテキストでの90%のKVキャッシュ削減を実現している。
論文 参考訳（メタデータ） (2026-04-14T08:40:31Z) - NANOZK: Layerwise Zero-Knowledge Proofs for Verifiable Large Language Model Inference [0.0]
LLM推論を検証可能なゼロ知識証明システムであるメソッドを提案する。
我々のアプローチは、トランスフォーマー推論が自然に独立した層計算に分解されるという事実を生かしている。
EZKLと比較して、EZKLは70倍小さい証明と5.7倍速い証明時間をd=128で達成し、形式的な音質保証を維持している。
論文 参考訳（メタデータ） (2026-03-17T04:14:45Z) - Sparse Semantic Dimension as a Generalization Certificate for LLMs [53.681678236115836]
Sparse Semantic Dimension (SSD)は,モデル層上で訓練されたSparse Autoencoder (SAE)のアクティブな特徴語彙から導かれる複雑性尺度である。
我々はGPT-2 Small と Gemma-2B でこの枠組みを検証し、実際のサンプルサイズで非空き証明書を提供することを実証した。
論文 参考訳（メタデータ） (2026-02-11T21:45:18Z) - PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。
PT$2$-LLMを提案する。
その中核は2段精製パイプラインを備えた非対称3次量子化器である。
論文 参考訳（メタデータ） (2025-09-27T03:01:48Z) - ZKTorch: Compiling ML Inference to Zero-Knowledge Proofs via Parallel Proof Accumulation [3.7687375904925484]
本稿では,MLモデルをベース暗号演算にコンパイルするエンドツーエンドの証明システムを提案する。
ZKTorch は Mira 累積法の新たな並列拡張の上に構築されており、最小の累積オーバーヘッドで簡潔な証明を可能にする。
これらのコントリビューションにより、ZKTorchは、特殊なプロトコルと比較して、少なくとも3倍の証明サイズ削減を実現し、汎用ZKMLフレームワーク上での証明時間の最大6倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2025-07-09T17:03:21Z)
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。