DAO:DAOrayaki：ZK-ML解決大規模數據模型隱私、可驗證及安全的用例_APE

在過去的一年中，zk-SNARK的進展超出了預期。盡管普遍共識認為這些創新還需要數年時間，但應用程序，如ZK-EVM，正在出現。zk-SNARK的增強功能已使得探索區塊鏈的新用例成為可能，尤其是，我們正在密切關注使用zk-SNARK解決由機器學習和人工智能增加使用帶來的許多緊迫問題的研究。

隨著機器學習的普及，它正在廣泛應用于各種應用程序中。然而，其預測的可信度以及對不透明數據源的依賴性成為了一個主要問題。復制聲稱具有高準確度的模型的能力很難，而在實際產品中預測的一致性和正確性也沒有保證。

本文旨在簡要介紹為什么對基于zk-SNARK的機器學習系統產生了濃厚的興趣，并討論了該技術的一些潛在應用。

Messari：超3320萬枚APE在2023年第一季度解鎖給非DAO實體，未出現異常價格波動:4月7日消息，區塊鏈研究公司Messari發布報告稱，面對經濟萎縮，APE活動仍然保持彈性。代幣流通速度、新持有人、轉賬量、平均市值、平均DEX交換規模和平均獨立投票等指標均環比增長。與上一季度相比，APE在2023年第一季度的完全稀釋估值（FDV）增長20.6%。在2023年第一季度，超過3320萬枚APE被解鎖給非DAO實體，盡管存在拋售壓力，但這并未導致任何表明APE被大量拋售的異常價格波動。Yuga生態系統資產持有人和APE持有人認領了超過3140萬個APE。盡管拋售壓力持續存在，但APE代幣的平均價格仍比上一季度高出20.6%。APE質押于2022年12月上旬開啟，今年第一季度已質押3140萬枚。 Etherscan數據顯示，250個APE持有者占最大APE供應量約97.5%，其中至少有102個地址是由APE基金會控制的錢包，APE基金會至少控制27%的巨鯨錢包。[2023/4/8 13:50:48]

為什么需要ZK-ML？

MakerDAO聲明：無法控制Oasis，Jump反向攻擊黑客不涉及其智能合約:2月25日消息，因Jump Crypto與Oasis聯合通過逆向攻擊追回12萬枚ETH的Wormhole被盜資金，MakerDAO發推特聲明，鑒于最近有關 Maker Vault 30100和Oasis前端的交易，需要解釋 MakerDAO、Maker 協議和第三方前端提供商之間的區別。MakerDAO 無法控制任何使終端用戶能夠訪問 Maker Vaults 的前端提供商或產品。

此外，連接到 Maker 協議的可用前端都不是由 MakerDAO 開發或維護的Maker 協議是一個去中心化的智能合約系統，公開部署在以太坊上，允許任何供應商以無許可和去中心化的方式連接其用戶界面解決方案。這些用戶界面提供商可以控制他們部署的智能合約，使終端用戶能夠與 Maker 協議進行交互。最近更改 Maker Vault 30100 所有權的交易不涉及任何 MakerDAO 的官方智能合約或 MakerDAO 指令。其重申 MakerDAO 的智能合約不受 Oasis 前端智能合約的控制或控制。[2023/2/26 12:29:44]

使用監督式機器學習時，輸入被提供給已經用特定參數訓練過的模型。然后該模型產生可被其他系統使用的輸出。由于輕量級的機器學習框架和ONNX等格式，現在可以在邊緣設備上運行這些推理，例如手機或物聯網設備，而不是將輸入數據發送到集中式服務器。這提高了用戶的可擴展性和隱私性。

BitDAO提議向加密藝術品收藏平臺PleasrDAO投資650萬美元:4月10日消息，BitDAO社區發布新提案，擬向加密藝術品收藏平臺PleasrDAO投資650萬美元，其中95%以ETH/USDT形式，5%以BIT形式。[2022/4/10 14:16:20]

然而，需要注意的是，通常會將機器學習模型的輸入和參數都保持私密并隱藏在公眾視野之外。這是因為輸入數據可能包含敏感信息，例如個人金融或生物識別數據，而模型參數也可能包含敏感信息，例如生物識別驗證參數。

另一方面，使用ML模型的輸出的下游系統，例如鏈上智能合約，需要能夠驗證輸入是否正確處理以產生聲稱的輸出。

機器學習和zkSNARK協議的結合提供了一種新的解決方案，解決了這些看似矛盾的要求。

ZT啟動 ZT DAO，并獎勵 1000萬枚ZTB:據官網公告，ZT將正式啟動ZT DAO，同時ZT基金會將拿出1000W枚ZTB用于獎勵所有ZT DAO的參與者和貢獻者。

根據活動內容，持有10000枚以上ZTB的用戶可在6月1日至6月30日期間報名，并于7月1日至7月31日進行投票競選，8月1日開始按照投票數占比瓜分收益發放收益。

ZT DAO是包含于ZT基金會的去中心化社區組織，旨在以區塊鏈技術為應用底層，豐富和完善ZT生態。[2021/5/29 22:55:15]

ZK-ML用例

有許多論文討論了我們可以如何使用zk-SNARKs來改善我們未來的機器學習。ZK-ML社區提供了一個非常有用的決策樹，讓我們考慮這種技術的各種用例。

這個決策樹基于兩個標準的交集：需要隱私和計算完整性，以及使用機器學習解決的啟發式優化問題。換句話說，決策樹用于確定是否適合使用涉及ZKML的用例，在這些用例中，隱私和計算完整性很重要，并且使用機器學習技術解決啟發式優化問題，

以下是zk如何用于ML模型創新的一些方式：

隱私保護機器學習

zk-SNARK可用于在不向模型的創建者或用戶公開私有數據的情況下對機器學習模型進行訓練。這允許開發可以在敏感或受監管的行業中使用的模型，而不會損害使用個人數據的個人隱私。

可驗證機器學習

zk-SNARK可用于證明機器學習模型是在特定數據集上進行訓練的，或者特定模型用于進行預測，而不會透露訓練數據或模型的詳細信息。這可以增加對機器學習模型結果的信任，這在信用評分或醫學診斷等應用中非常重要。

安全機器學習

zk-SNARK可用于通過確保模型未被篡改或替換為不同的模型來保護機器學習模型的完整性。這在模型部署在不受信任的環境中的應用中非常有用。

ZKonduit可能的應用

像ZKonduit這樣的項目正在將ZK-ML視為賦予區塊鏈眼睛、讓智能合約行使判斷力、單人預言機以及通常以可擴展的方式在鏈上獲取數據的關鍵。使用ZK-ML預言者提供了一種更簡單、更快速、更高效的方式，將鏈下數據傳輸到區塊鏈上，大大增加了將數據帶到鏈上的潛力。ZK-ML可以使“智能法官”解釋模糊事件。這可能為Web3帶來不可想象的新用例，但以下僅是最近討論過的一些用例：

ZKKYC

能夠證明一個人的身份與相應的身份證匹配，并且該身份證號碼不在制裁名單上。雖然這項技術是可用的，但監管機構可能不會接受它，因為它們目前要求銀行“了解”其客戶，而不僅僅是驗證他們不在制裁名單上。這是監管機構的一個新領域，必須采取措施防止不受歡迎的參與者使用去中心化項目。

防欺詐檢查

智能合約或抽象賬戶添加了一個ZK-ML欺詐垃圾郵件檢查，用于檢測異常行為。這意味著可以通過分析活動模式并將其與已知的欺詐或垃圾郵件活動模式進行比較，使用零知識機器學習技術來檢測和防止欺詐或垃圾郵件行為。這可以通過檢測和防止惡意活動來幫助確保系統的安全性和完整性。

使DAO自治

Zk-SNARKs技術允許以保護輸入數據隱私的方式執行復雜計算，適用于需要保護敏感信息的情況。可以將機器學習算法集成到該技術中，以實現更先進的決策制定、評估和更高效、準確的通信系統。這些能力對未來的DAO內部動態可能至關重要。

結論

將零知識證明集成到人工智能系統中，可以為用戶和使用這些系統的公司提供新的安全和隱私保護級別。通過使人工智能能夠證明其決策的有效性，而不揭示底層數據或算法，零知識證明可以幫助緩解數據泄露和惡意攻擊的風險。此外，它們還可以通過提供透明和可驗證的方式來證明其公平性和準確性，從而有助于建立人工智能系統的信任。

隨著人工智能領域的不斷發展和擴大，零知識證明的應用將越來越重要，以確保這些強大技術的安全和負責任的部署。

Tags：DAOMakerMAKEAPENFTDAOmakerdao是什么幣MAKE價格EVAPE價格

狗狗幣價格