🤖 machine learning

ZKBoost: Zero-Knowledge Verifiable Training for XGBoost

Este artículo presenta ZKBoost, el primer protocolo de prueba de conocimiento cero para el entrenamiento de XGBoost que permite a los propietarios de modelos verificar criptográficamente el entrenamiento correcto en conjuntos de datos comprometidos sin revelar datos ni parámetros, al tiempo que supera las vulnerabilidades de seguridad anteriores y logra eficiencia mediante una implementación especializada de punto fijo y una instanciación basada en VOLE.

Autores originales: Nikolas Melissaris, Antigoni Polychroniadou, Akira Takahashi, Chenkai Weng, Jiayi Xu

Publicado 2026-05-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nikolas Melissaris, Antigoni Polychroniadou, Akira Takahashi, Chenkai Weng, Jiayi Xu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que contratas a un chef para cocinar una receta compleja y secreta para un banquete muy importante. Quieres estar 100% seguro de que realmente siguieron la receta paso a paso utilizando los ingredientes específicos que proporcionaste, pero tienes dos grandes problemas:

No puedes ver la cocina: El chef se niega a dejarte verlo cocinar porque la receta es su "secreto comercial" (Propiedad Intelectual).
No puedes ver los ingredientes: El chef se niega a mostrarte el lote específico de verduras que utilizó porque esos datos pertenecen a una granja privada (Privacidad).

Por lo general, solo tienes que confiar en el chef. Pero, ¿qué pasa si es un fraude? ¿Qué pasa si compró una comida preparada, la etiquetó como "recién cocinada" y te la sirvió?

ZKBoost es una nueva herramienta digital que resuelve este problema. Permite que el chef (el propietario del modelo) le demuestre a ti (el verificador) que cocinó la comida exactamente según las reglas, utilizando tus ingredientes específicos, sin mostrarte nunca la receta ni los ingredientes.

Así es como el artículo explica esta magia, desglosada en conceptos simples:

1. El problema de la "Caja Negra"

En el mundo del aprendizaje automático, XGBoost es como un chef superestrella. Es increíblemente bueno para predecir cosas (como si una transacción con tarjeta de crédito es fraudulenta o si un paciente tiene una enfermedad) basándose en tablas de datos.

Sin embargo, cuando una empresa entrena un modelo XGBoost, mantiene los datos y la "receta" final (el modelo) en secreto. Si un cliente quiere verificar que el modelo no fue falsificado o entrenado con datos defectuosos, generalmente no puede hacerlo. No puede echar un vistazo sin violar las leyes de privacidad o perder secretos comerciales.

2. El truco de magia de "Conocimiento Cero"

El artículo introduce ZKBoost, que utiliza una técnica criptográfica llamada Pruebas de Conocimiento Cero (ZKP).

Piensa en una Prueba de Conocimiento Cero como un espejo mágico.

El chef se para frente al espejo.
El espejo le muestra al cliente una marca de verificación verde brillante que dice: "¡Sí, la cocina ocurrió correctamente!".
Pero el espejo no muestra la cara del chef, los ingredientes ni la receta. Solo prueba que la acción se realizó correctamente.

3. ¿Por qué fue tan difícil esto antes?

Los autores explican que hacer esto para XGBoost era como intentar probar que construiste una casa mostrando que colocaste cada ladrillo individual, pero tenías que hacerlo con los ojos vendados y en un idioma que nadie entendía.

La "Venda" (Particionamiento Ciego): XGBoost funciona ordenando constantemente los datos en diferentes cubetas (como ordenar manzanas por tamaño). Hacer esto de una manera criptográfica "ciega" es increíblemente lento y costoso.
La "Salsa Secreta" (Divisiones del Árbol): El modelo toma decisiones basadas en umbrales ocultos. Los intentos anteriores de probar esto fueron "fugitivos": revelaron accidentalmente la forma de los árboles de decisión (la topología), lo cual es un secreto comercial.
El "Error Matemático" (Brechas de Seguridad): Algunos métodos antiguos permitían que un probador deshonesto hiciera trampa causando un "desbordamiento matemático" (como una calculadora que pasa de 999 a 000) para falsificar un resultado correcto.

4. La solución ZKBoost: Dos grandes trucos

El artículo propone dos innovaciones principales para solucionar estos problemas:

Truco A: La inspección "de abajo hacia arriba" (La plantilla genérica)

Normalmente, para verificar que un árbol se construyó correctamente, tendrías que volver a ejecutar todo el proceso de cocina desde cero, lo cual es lento.

La vieja forma: Ver al chef construir el árbol de arriba hacia abajo, paso a paso.
La forma ZKBoost: Los autores crearon un nuevo método llamado CertXGB. En lugar de ver al chef construir el árbol, miran el árbol terminado y trabajan hacia atrás (de abajo hacia arriba).
- Primero revisan las hojas, luego las ramas y finalmente el tronco.
- Esto les permite verificar muchos árboles al mismo tiempo (procesamiento paralelo), haciendo que la prueba sea de 3 a 6 veces más rápida que los métodos anteriores.
- Crucialmente, este método verifica las matemáticas sin revelar qué ramas fueron cortadas (poda), manteniendo la forma del árbol en secreto.

Truco B: El interruptor "Punto Fijo" (La solución de seguridad)

XGBoost suele utilizar matemáticas de "punto flotante" (como 3.14159...), lo cual es desordenado para la criptografía porque las computadoras manejan los decimales de manera diferente en distintas máquinas.

El problema: Si las matemáticas no son exactas, la prueba falla. Además, las matemáticas de punto flotante son enormes y lentas de probar.
La solución: Los autores convirtieron XGBoost para utilizar aritmética de Punto Fijo.
- Analogía: En lugar de medir ingredientes en "tazas y fracciones" (punto flotante), miden todo en "cucharadas" (enteros).
- Demostraron que, aunque están usando "cucharadas" en lugar de "tazas", el plato final sabe exactamente igual (con una precisión del 1%) que la versión original de punto flotante.
- Esto hace que las matemáticas sean "amigables para la prueba", seguras contra el engaño por desbordamiento y mucho más rápidas.

5. Los resultados: Rápido y seguro

Los autores probaron su sistema en conjuntos de datos del mundo real (como fraude con tarjetas de crédito y detección de cáncer).

Velocidad: Su sistema es significativamente más rápido que el competidor más cercano (Sparrow), especialmente al tratar grandes cantidades de datos.
Precisión: La versión de "cucharada" (Punto Fijo) es tan precisa como la versión de "taza" (Punto Flotante).
Seguridad: Solucionaron las brechas de "desbordamiento matemático" que permitían a los tramposos falsificar resultados en sistemas anteriores.

Resumen

ZKBoost es el primer sistema que permite a un propietario de modelos decir: "Prometo que entrené esta IA con tus datos privados utilizando nuestras reglas específicas", y probarlo con un recibo criptográfico. Lo hace mediante:

Verificar el trabajo hacia atrás para ahorrar tiempo.
Cambiar a matemáticas más simples (enteros) para garantizar seguridad y velocidad.
Ocultar por completo la receta y los ingredientes mientras aún se prueba que la cocina fue honesta.

Esto significa que los clientes finalmente pueden confiar en que los modelos de IA que utilizan son genuinos, sin obligar a las empresas a revelar sus secretos comerciales o los datos privados de sus clientes.

Resumen Técnico: ZKBoost - Entrenamiento Verificable con Cero Conocimiento para XGBoost

1. Declaración del Problema

A medida que los modelos de aprendizaje automático, particularmente los Árboles de Decisión Potenciados por Gradiente (GBDT) como XGBoost, se despliegan cada vez más en dominios sensibles (por ejemplo, finanzas, atención médica), existe una falta crítica de garantías criptográficas respecto a la integridad del modelo. Los clientes no pueden verificar que un modelo desplegado $M$ fue entrenado genuinamente sobre un conjunto de datos específico $D$ utilizando hiperparámetros prescritos sin que el propietario del modelo revele datos propietarios o parámetros del modelo.

Las soluciones existentes de Prueba de Entrenamiento con Cero Conocimiento (zkPoT) enfrentan obstáculos significativos al aplicarse a XGBoost:

Ineficiencia Computacional: Reejecutar ingenuamente el proceso de entrenamiento de XGBoost dentro de un circuito de Prueba de Cero Conocimiento (ZKP) es prohibitivamente costoso. Esto se debe a la necesidad de partición de datos oblivia en cada nodo y a la naturaleza secuencial de la construcción del árbol (donde cada árbol depende de las predicciones de los árboles anteriores).
Vulnerabilidades de Seguridad: Trabajos anteriores sobre entrenamiento e inferencia con ZK para árboles de decisión sufren de fallas de seguridad sutiles. Estas incluyen posibles fugas de la topología del árbol y "brechas de solidez" donde un probador malicioso podría explotar el desbordamiento de la aritmética modular para desviarse del algoritmo de entrenamiento correcto mientras aún pasa la verificación.
Incompatibilidad Numérica: XGBoost estándar depende de la aritmética de punto flotante, que es no determinista entre hardware e incompatible con la aritmética de anillo finito requerida por la mayoría de los sistemas ZKP.

2. Metodología

Los autores proponen ZKBoost, el primer protocolo zkPoT diseñado específicamente para XGBoost. El enfoque consta de tres pilares técnicos principales:

A. XGBoost de Punto Fijo (TrainXGB)

Para cerrar la brecha entre XGBoost estándar y los requisitos de ZKP, los autores implementan una versión de punto fijo de XGBoost.

Aritmética: Todas las operaciones (suma, multiplicación, división) se realizan sobre enteros con un factor de escala global implícito, eliminando la no determinismo de punto flotante.
Aproximaciones: Las funciones no lineales esenciales para XGBoost, como la función sigmoide ( $\sigma$ ) y las log-odds ( $\sigma^{-1}$ ), se reemplazan con aproximaciones amigables para pruebas (expansiones lineales por partes y truncadas de Taylor) que mantienen una precisión dentro del 1% de la implementación estándar de punto flotante.
Determinismo: Esta reformulación asegura que el rastro de entrenamiento sea único y reproducible, formando una relación NP bien definida adecuada para la verificación ZK.

B. Plantilla Genérica zkPoT (CertXGB)

En lugar de reejecutar el proceso de entrenamiento de arriba hacia abajo (de la raíz a las hojas), los autores diseñan un algoritmo de certificación, CertXGB, que verifica el resultado del entrenamiento de abajo hacia arriba y en paralelo.

Lógica de Verificación: Dado un modelo reclamado $M$ $M$ (conjunto de árboles) y un conjunto de datos $D$ $D$ , CertXGB:
1. Evalúa los árboles en los datos para determinar los índices de las hojas.
2. Reconstruye los histogramas de gradiente y Hessian desde las hojas hasta la raíz.
3. Verifica que las divisiones elegidas por el probador maximicen la ganancia derivada de estos histogramas reconstruidos.
4. Comprueba que los pesos de las hojas sean consistentes con los histogramas.
Paralelismo: Esta reestructuración desacopla la validación de árboles individuales de las dependencias inter-árboles, permitiendo que múltiples árboles se verifiquen en paralelo, reduciendo significativamente los costos del probador.
Ocultación de Topología: Para evitar filtrar la estructura del árbol (por ejemplo, qué nodos fueron podados), el protocolo reemplaza los nodos podados con valores "falsos" (dummy). El ZKP verifica obliviamente que estos falsos se utilizan exactamente cuando se cumple la condición de poda (ganancia $\le 0$ ).

C. Instanciación Segura con VOLE-ZKP

El protocolo se instancia utilizando un marco ZKP basado en la Evaluación Lineal Oblivia Vectorial (VOLE).

Subprotocolos: Los autores diseñan gadgets ZK específicos para operaciones no lineales críticas:
- Comparación: Pruebas de descomposición de bits mejoradas para prevenir ataques de "envoltura" donde un probador malicioso podría invertir el Bit Más Significativo (MSB) para alterar los resultados de la comparación.
- División y Truncamiento: Pruebas que manejan grandes rangos de valores sin requerir miles de restricciones, asegurando solidez contra el desbordamiento modular.
- Construcción de Histogramas: Una prueba LogUp ponderada reemplaza el enfoque ZK-RAM más costoso utilizado en trabajos anteriores, reduciendo la sobrecarga en aproximadamente 3-4 veces.
Comprobaciones de Rango Globales: El protocolo impone comprobaciones de rango globales en valores intermedios para prevenir ataques de desbordamiento aritmético que podrían romper la solidez.

3. Contribuciones Clave

Primera zkPoT para XGBoost: El artículo presenta el primer protocolo que permite a un propietario de modelos probar el entrenamiento correcto de un modelo XGBoost sobre un conjunto de datos comprometido sin revelar datos ni parámetros.
Algoritmo CertXGB: Una plantilla de certificación genérica que reestructura la validación del entrenamiento para ser de abajo hacia arriba y paralelizable, ofreciendo una mejora significativa sobre la reejecución ingenua.
Instanciación Segura y Eficiente: Una implementación basada en VOLE que aborda brechas de solidez encontradas en trabajos anteriores de entrenamiento ZK (específicamente en lo que respecta al desbordamiento y la fuga de topología) mientras mantiene una alta eficiencia.
XGBoost de Punto Fijo: Una implementación práctica de punto fijo de XGBoost que coincide con la precisión de punto flotante estándar dentro del 1% en conjuntos de datos del mundo real, haciéndola compatible con la aritmética ZKP.

4. Resultados Experimentales

Los autores implementaron ZKBoost en C++ y lo evaluaron en tres conjuntos de datos del mundo real: Cáncer de Mama, Incumplimiento de Crédito y Covertype.

Precisión: La implementación de XGBoost de punto fijo logra una precisión dentro del 1% de XGBoost de punto flotante estándar en todas las configuraciones de hiperparámetros y conjuntos de datos probados.
Rendimiento vs. Línea Base: En comparación con Sparrow (un trabajo relacionado para árboles de decisión ordinarios y bosques aleatorios), ZKBoost es 3–6 veces más rápido en varios tamaños de conjunto de datos, a pesar de proporcionar garantías de seguridad más fuertes (ocultando la topología del árbol y comprobaciones de solidez rigurosas).
Escalabilidad:
- Número de Árboles: El tiempo de prueba escala linealmente con el número de árboles.
- Tamaño del Conjunto de Datos: El tiempo de prueba no se ve significativamente afectado por el número de puntos de datos (hasta 100k), gracias a la prueba eficiente de construcción de histogramas.
Condiciones de Red: Los experimentos simularon condiciones tanto de LAN (5 Gbps) como de WAN (1 Gbps, 60 ms de latencia). Si bien la latencia de WAN aumenta el tiempo total en un ~83-87%, las pruebas aún se generan en plazos razonables (por ejemplo, ~52 minutos para un conjunto de datos de 100k con 100 árboles en WAN).

5. Significado y Reclamaciones

El artículo afirma ser el primero en proporcionar una zkPoT práctica, segura y eficiente para XGBoost, un algoritmo dominante en el procesamiento de datos tabulares. El significado radica en:

ML como Servicio Confiable: Permitir a los clientes verificar la integridad del entrenamiento sin exponer datos propietarios.
Cumplimiento: Permitir verificar que los modelos fueron entrenados sobre fuentes de datos aprobadas (por ejemplo, datos del censo) o que excluyeron contenido protegido.
Avances en Seguridad: El trabajo identifica y parchea vulnerabilidades específicas de solidez (ataques de desbordamiento, fuga de topología) en protocolos anteriores de entrenamiento ZK, ofreciendo una base más robusta para el Aprendizaje Automático con Cero Conocimiento (ZKML).
Practicidad: Al demostrar que la aritmética de punto fijo puede igualar la precisión de punto flotante y que el protocolo se ejecuta eficientemente en hardware comercial, los autores argumentan que el entrenamiento verificable de XGBoost es factible para aplicaciones reales de alto riesgo como la detección de fraude y la predicción de riesgo crediticio.

Los autores señalan que, si bien la instanciación actual apunta a la clasificación binaria, el marco puede extenderse conceptualmente a la clasificación multiclase, y el trabajo futuro podría explorar pruebas concisas no interactivas para la verificabilidad pública.