SoK: The Role of Zero-Knowledge Proofs in Building Confidential and Trustworthy AI
Notice bibliographique
Résumé
The verifiability of machine learning models and the privacy of training data have become critical concerns due to their widespread deployment in sensitive applications. Ensuring that a model performs as claimed, without revealing private data or algorithms, is a significant challenge. Zero-Knowledge Proof systems (ZKPs) have emerged as a promising cryptographic solution, enabling the verification of statements without disclosing underlying information. Their integration with blockchain technology further enhances trust and decentralization, offering robust solutions for secure and transparent AI systems. This paper explores the use of ZKPs in machine learning, focusing on privacy-preservation techniques, model verifiability, and confidential AI. It compares the differences and challenges of employing ZKPs in machine learning versus blockchains, highlighting their unique requirements and overlapping benefits. We review the basic concepts of ZKPs, advances such as zkSNARKs and zk-STARKs, and their applications in blockchainbased AI frameworks to ensure data integrity, immutability, and scalability. Furthermore, the paper delves into the practical implications of using ZKPs in AI, providing case studies and analyzing their scalability, performance, and limitations. We conclude by identifying key challenges and presenting future research directions to extend the applicability of ZKPs in AI, particularly in federated learning, model fairness, and decentralized AI pipelines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».