DSperse: A Framework for Targeted Verification in Zero-Knowledge Machine Learning

DSperse 是一个模块化的框架，用于进行分布式机器学习推理，并结合了战略性的密码学验证。在新兴的分布式零知识机器学习范式下运作，DSperse 通过有针对性地验证经过策略性选择的子计算，避免了对整个模型进行电路化所带来的高昂成本和灵活性不足的问题。这些可验证的片段，或称为“切片”，可以覆盖推理流程的部分或全部环节，并通过审计、复制或经济激励来确保全局一致性。该架构实现了一种务实的最小化信任方式，将零知识证明的应用局限在那些能带来最大价值的组件上。我们使用多种证明系统对 DSperse 进行了评估，并报告了在不同切片与非切片配置下内存使用、运行时间和电路行为的实证结果。通过让证明的边界灵活地与模型的逻辑结构对齐，DSperse 支持可扩展的、有针对性的验证策略，以满足多样化的部署需求。

论文试图解决分布式机器学习推理中验证成本高且灵活性差的问题。传统方法依赖于全模型电路化，导致资源消耗大且难以扩展。该问题在分布式零知识机器学习领域是一个新兴研究问题。

论文提出DSperse，一个模块化框架，通过策略性地选择需要验证的子计算（称为“切片”），局部化零知识证明的使用，从而降低验证成本。相比全模型电路化方法，DSperse更具灵活性和可扩展性，能够根据模型逻辑结构动态调整验证边界。

1. 引入“切片”机制，支持对推理流水线的部分或全部进行验证，提升效率与灵活性 2. 通过审计、复制或经济激励保证全局一致性，实现一种实用的信任最小化架构 3. 实证评估多个证明系统在内存使用、运行时间和电路行为方面的表现 4. 支持多种部署需求下的可扩展、定向验证策略

1. ZKML: Zero-Knowledge Machine Learning with Fully Homomorphic Encryption 2. VeriML: A Framework for Verifiable Machine Learning Inference Using zk-SNARKs 3. Distributed Verifiable Computation in ML Pipelines Using Lightweight Consensus Mechanisms 4. SplitNIPS: Split Learning with Efficient Zero-Knowledge Proofs for Edge AI