REN:DAOrayaki:ZK-ML解决大规模数据模型隐私、可验证及安全的用例-ODAILY

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。

MakerDAO社区通过取消RENBTC-A金库的民意投票,12月7日后将启动清算程序:11月25日消息,MakerDAO发推称,MakerDAO治理部门通过取消RENBTC-A金库类型的民意投票,所有抵押率低于5000%的renBTC-A头寸将在12月7日投票确认后被清算。

Ren曾由Alameda与Ren前领导层合作收购,但由于Alameda的破产,Ren开发团队将禁用Ren 1.0铸造,并在30天后关闭Ren 1.0网络。根据风险核心小组的建议,禁用铸造意味着renBTC有可能脱钩,而禁用销毁意味着MakerDAO在有限时间内下架抵押品,以减少未来的潜在风险。MakerDAO治理部门批准一系列清算参数,在投票通过前,用户仍有机会避免清算。

据此前报道,11月21日,资产跨链协议Ren Protocol发推称,由于Ren 1.0网络将在30天内关闭,强烈建议用户尽快将其Ren资产(例如renBTC)桥接回原生链。Ren Protocol还表示,其目标是尽快推出完全由社区控制的网络Ren 2.0。

此前Ren表示,Alameda与Ren前领导层合作收购Ren,但由于Alameda破产,提供给Ren开发团队的资金仅持续到第四季度。目前Ren正在与投资者谈判以继续推动发展,并计划比预期更早地推出Ren 2.0。网站也将托管在IPFS上,并将控制权转移至RenDAO。[2022/11/25 12:34:37]

为什么需要ZK-ML?

新兴NFT项目IreneDAO NFT交易量已突破2100ETH:1月19日消息,根据OpenSea数据, IreneDAO NFT 自1月14日推出以来交易量已突破 2100 ETH(价值约670万美元),当前地板价约为 1 ETH。目前其NFT系列约有500个持有人。公开资料显示,IreneDAO 是由 28 岁的 Instagram 网红、加密爱好者 Irene Zhao 发起的,Galaxy Digital 首席执行官 Mike Novogratz 在推特上表示他也买入了其 NFT,Zhao 在 2021 年担任 Konomi Network 首席营销官,目前正在 StarkWare 支持的第 2 层解决方案上构建一个名为 SO-COL 的去中心化社交媒体平台。[2022/1/19 8:58:30]

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。

MakerDAO社区正采取措施防止利用闪电贷操纵投票:MakerDAO社区正紧急采取措施,以防止通过闪电贷操纵投票的事件再次发生。提案通过和执行之间的12小时延迟将被延长至72小时,以允许公众质疑恶意投票。此外,社区正在禁用断路器,这将使治理能够关闭预言和清算程序,因为恶意行为者可能会滥用这些预言和清算程序来利用该系统牟利。此前消息,MakerDAO就DeFi协议团队B Protocol利用闪电贷操纵治理投票一事发出警告。(Cointelegraph)[2020/10/30]

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。

观点:许多DAO和中心化公司没有区别,拥有最多代币的人仍可发号施令:蜻蜓资本(Dragonfly Capital)的研究员Ashwin Ramachandran和投资者Haseeb Qureshi表示,许多DeFi协议正转向去中心化自治组织(DAO)来下放治理权利,但实际上,这样做并没有什么实质作用。许多DAO和中心化的公司并没有什么不同,那些拥有最多代币的人仍然可以发号施令,并决定其社区如何运行。(Decrypt)[2020/8/8]

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。

地球链

[0:46ms0-0:907ms