每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

DSperse：零知识机器学习中的目标验证框架

Created by
  • Haebom

作者

丹·伊万诺夫、特里斯坦·弗莱伯格、希林·沙哈比、乔纳森·戈尔德、Haruna Isah

大纲

DSperse 是一个模块化框架，用于分布式机器学习推理，并支持策略性加密验证。DSperse 运行在新兴的分布式零知识机器学习范式中，能够对策略性选择的子计算进行有针对性的验证，从而避免了完整模型电路的高成本和僵化。这些可验证的片段（或称“切片”）可以涵盖推理流程的部分或全部，并通过审计、复制或经济激励来维护全局一致性。该架构支持一种实用的信任最小化形式，将零知识证明限制在提供最大价值的组件上。我们使用多种证明系统对 DSperse 进行评估，并报告了切片和非切片配置下内存使用情况、执行时间和电路行为的实验结果。通过允许证明边界灵活地适应模型的逻辑结构，DSperse 支持一种可扩展且有针对性的验证策略，以满足不同的部署需求。

Takeaways，Limitations

•
Takeaways：
◦
为分布式环境中的机器学习推理提供高效、可扩展的验证框架。
◦
通过降低全模型电路的成本和复杂性实现实用的零知识机器学习。
◦
可以根据模型的逻辑结构灵活设置验证区域。
◦
通过与各种证明系统的兼容性来扩展您的选择。
•
Limitations：
◦
需要进一步研究来优化和提高切片策略的性能。
◦
需要对各种机器学习模型和应用进行广泛的实验评估。
◦
需要进一步研究审计、复制和经济激励等全局一致性维护机制的效率和安全性。
👍
Made with Slashpage