基于zk-SNARK的可验证分割学习
机器学习
2025-11-04 v1
摘要
分割学习是一种协作学习方法，其中深度神经网络在切割层被分为两部分：客户端部分和服务器端部分。客户端使用其原始输入数据执行其模型，并将中间激活发送到服务器端。这种配置架构对于在设备间数据或资源分离时实现协作训练非常有用。然而，分割学习缺乏验证各方之间执行和交换的计算的正确性和诚实性的能力。为此，本文提出了一种可验证的分割学习框架，该框架集成了zk-SNARK证明以确保正确性和可验证性。在服务器端的前向传播和反向传播中，为双方生成zk-SNARK证明和验证，保证了双方的可验证性。将可验证的分割学习架构与针对相同深度神经网络的区块链启用系统进行了比较，后者记录更新但不生成零知识证明。从比较中可以推断，应用zk-SNARK测试实现了可验证性和正确性，而区块链是轻量级的但不可验证。
引用
@article{arxiv.2511.01356,
title = {Verifiable Split Learning via zk-SNARKs},
author = {Rana Alaa and Darío González-Ferreiro and Carlos Beis-Penedo and Manuel Fernández-Veiga and Rebeca P. Díaz-Redondo and Ana Fernández-Vilas},
journal= {arXiv preprint arXiv:2511.01356},
year = {2025}
}
备注
Submitted to CAI'26 (IEEE Conference on Artificial Intelligence 2026)