在过去的一年中，zk-SNARK的进展超出了预期。尽管普遍共识认为这些创新还需要数年时间，但应用程序，如ZK-EVM，正在出现。zk-SNARK的增强功能已使得探索区块链的新用例成为可能，尤其是，我们正在密切关注使用zk-SNARK解决由机器学习和人工智能增加使用带来的许多紧迫问题的研究。
随着机器学习的普及，它正在广泛应用于各种应用程序中。然而，其预测的可信度以及对不透明数据源的依赖性成为了一个主要问题。复制声称具有高准确度的模型的能力很难，而在实际产品中预测的一致性和正确性也没有保证。
本文旨在简要介绍为什么对基于zk-SNARK的机器学习系统产生了浓厚的兴趣，并讨论了该技术的一些潜在应用。
基于区块链技术的金融科技公司Qenta将通过 SPAC 合并上市:11月10日消息，根据美国证券交易委员会（SEC）的一份文件，使用区块链技术追踪贵金属的金融科技公司 Qenta 将在与特殊目的收购公司 (SPAC) Blockchain Coinvestors Acquisition Corp 合并后在纳斯达克上市。交易预计将于 2023 年上半年完成，一旦完成，合并后的公司的初始市值将约为 9.04 亿美元。
Qenta 还从卢森堡投资公司 GEM Global Yield 获得了 1.8 亿美元的资金。GEM 将为 Qenta 提供为期 48 个月的股票认购服务。Qenta 已经从贵金属进军数字资产领域，它专注于数字化交易，同时通过区块链技术提供出处、托管和所有权跟踪。[2022/11/10 12:45:40]
为什么需要ZK-ML？
?首期AAC PASS 24小时已售出17张:据官方消息，Layer 2 网络Double-A Chain昨日正式开售创世NFT-AAC PASS，首期50张一经上线，24小时即售出17张。其中包括1张SSR，1张SR，5张R以及10张N。质押AAC代币总计达1.7亿个，占AAC市场流通量的2.42%。 为了保证公开、透明、可信，Double-A Chain公布了AAC PASS质押合约地址：0xF5e21c18C588055e997cC7d78a82A5f4cDc5310d， 任何人均可通过AAC区块链浏览器查询用户为获取AAC PASS所质押的AAC通证。[2022/8/9 12:12:46]
使用监督式机器学习时，输入被提供给已经用特定参数训练过的模型。然后该模型产生可被其他系统使用的输出。由于轻量级的机器学习框架和ONNX等格式，现在可以在边缘设备上运行这些推理，例如手机或物联网设备，而不是将输入数据发送到集中式服务器。这提高了用户的可扩展性和隐私性。
TZ APAC CEO：区块链和Web 3.0课程数年内将成为中高等教育重要组成部分:5月13日消息，TZ APAC新任首席执行官Colin Miles预计，在未来三到五年内，区块链和Web 3.0课程将开始成为中高等教育中不可或缺的一部分。
近期，TZ APAC与新加坡国立大学（NUS）计算学院达成合作协议。根据协议，该Tezos机构将支持新加坡国立大学新中心Nurturing Computing Excellence的发展。
据悉，新加坡国立大学目前提供深度区块链课程，针对从初学者到首席执行官和中层管理人员的不同层次。其他开设区块链课程的知名大学包括麻省理工学院（MIT）、哈佛大学、牛津大学、康奈尔大学和加州大学伯克利分校。（Cointelegraph）[2022/5/13 3:13:41]
然而，需要注意的是，通常会将机器学习模型的输入和参数都保持私密并隐藏在公众视野之外。这是因为输入数据可能包含敏感信息，例如个人金融或生物识别数据，而模型参数也可能包含敏感信息，例如生物识别验证参数。
声音 | MultiVAC CTO：保证分片的存储和传输都正比于本分片业务量才能真正实现线性扩展:MultiVAC CTO Shawn今日发表观点称，当前很多分片公链只做到了计算的分片，没有实现存储和传输的分片。假设全网是5000 TPS，每个分片的存储和传输也是5000TPS，这意味着矿工负载压力非常大，极大限制了网络性能。他介绍，MultiVAC的全维度分片技术，做到了每一个分片内的计算、存储和传输的业务量，都正比于本分片TPS的业务量，和全网的总业务量无关，真正实现了性能的线性扩展。系统也会根据分片的交易负荷进行判断，当某分片交易负担过重时，支持将分片拆分成两个独立分片，有效提高了交易处理速度。[2019/10/1]
另一方面，使用ML模型的输出的下游系统，例如链上智能合约，需要能够验证输入是否正确处理以产生声称的输出。
机器学习和zkSNARK协议的结合提供了一种新的解决方案，解决了这些看似矛盾的要求。
ZK-ML用例
有许多论文讨论了我们可以如何使用zk-SNARKs来改善我们未来的机器学习。ZK-ML社区提供了一个非常有用的决策树，让我们考虑这种技术的各种用例。
这个决策树基于两个标准的交集：需要隐私和计算完整性，以及使用机器学习解决的启发式优化问题。换句话说，决策树用于确定是否适合使用涉及ZKML的用例，在这些用例中，隐私和计算完整性很重要，并且使用机器学习技术解决启发式优化问题，
以下是zk如何用于ML模型创新的一些方式：
隐私保护机器学习
zk-SNARK可用于在不向模型的创建者或用户公开私有数据的情况下对机器学习模型进行训练。这允许开发可以在敏感或受监管的行业中使用的模型，而不会损害使用个人数据的个人隐私。
可验证机器学习
zk-SNARK可用于证明机器学习模型是在特定数据集上进行训练的，或者特定模型用于进行预测，而不会透露训练数据或模型的详细信息。这可以增加对机器学习模型结果的信任，这在信用评分或医学诊断等应用中非常重要。
安全机器学习
zk-SNARK可用于通过确保模型未被篡改或替换为不同的模型来保护机器学习模型的完整性。这在模型部署在不受信任的环境中的应用中非常有用。
ZKonduit可能的应用
像ZKonduit这样的项目正在将ZK-ML视为赋予区块链眼睛、让智能合约行使判断力、单人预言机以及通常以可扩展的方式在链上获取数据的关键。使用ZK-ML预言者提供了一种更简单、更快速、更高效的方式，将链下数据传输到区块链上，大大增加了将数据带到链上的潜力。ZK-ML可以使“智能法官”解释模糊事件。这可能为Web3带来不可想象的新用例，但以下仅是最近讨论过的一些用例：
ZKKYC
能够证明一个人的身份与相应的身份证匹配，并且该身份证号码不在制裁名单上。虽然这项技术是可用的，但监管机构可能不会接受它，因为它们目前要求银行“了解”其客户，而不仅仅是验证他们不在制裁名单上。这是监管机构的一个新领域，必须采取措施防止不受欢迎的参与者使用去中心化项目。
防欺诈检查
智能合约或抽象账户添加了一个ZK-ML欺诈垃圾邮件检查，用于检测异常行为。这意味着可以通过分析活动模式并将其与已知的欺诈或垃圾邮件活动模式进行比较，使用零知识机器学习技术来检测和防止欺诈或垃圾邮件行为。这可以通过检测和防止恶意活动来帮助确保系统的安全性和完整性。
使DAO自治
Zk-SNARKs技术允许以保护输入数据隐私的方式执行复杂计算，适用于需要保护敏感信息的情况。可以将机器学习算法集成到该技术中，以实现更先进的决策制定、评估和更高效、准确的通信系统。这些能力对未来的DAO内部动态可能至关重要。
结论
将零知识证明集成到人工智能系统中，可以为用户和使用这些系统的公司提供新的安全和隐私保护级别。通过使人工智能能够证明其决策的有效性，而不揭示底层数据或算法，零知识证明可以帮助缓解数据泄露和恶意攻击的风险。此外，它们还可以通过提供透明和可验证的方式来证明其公平性和准确性，从而有助于建立人工智能系统的信任。
随着人工智能领域的不断发展和扩大，零知识证明的应用将越来越重要，以确保这些强大技术的安全和负责任的部署。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。