边缘设备上的可验证性无学习

机器学习提供者通常会向边缘设备分发全局模型，后者随后使用本地数据对这些模型进行个性化定制。然而，由于版权侵权、偏见或监管要求等问题，可能需要跨所有边缘设备可靠地移除某些数据样本。确保边缘设备正确执行此类无学习操作对于维护完整性至关重要。本文我们引入了一个利用零知识证明、具体而言是 zk-SNARKs 的验证框架，以确认边缘设备上个性化模型的数据无学习操作，而不会侵犯隐私。我们开发了算法，专为 facilitate 无学习操作而设计，这些操作与高效 zk-SNARK 证明生成兼容，确保在受限边缘环境中具有最小的计算和内存开销。此外，我们的方法仔细保留了边缘设备上的个性化增强，保持无学习后的模型性能。我们的结果确认了此验证框架的实用性和有效性，表明在个性化性能改进方面几乎没有性能下降。我们的 methodology 确保了在边缘设备上实现可验证、隐私保护且有效的机器无学习。