ZKBoost: Zero-Knowledge Verifiable Training for XGBoost
यह शोध पत्र ZKBoost प्रस्तुत करता है, जो XGBoost के लिए पहला ज़ीरो-नॉलेज प्रूफ ऑफ ट्रेनिंग प्रोटोकॉल है जो मॉडल मालिकों को डेटा या मापदंडों को प्रकट किए बिना कमिटेड डेटासेट पर सही प्रशिक्षण को क्रिप्टोग्राफ़िक रूप से सत्यापित करने में सक्षम बनाता है, जबकि पिछले सुरक्षा भेद्यताओं को दूर करता है और एक विशेष फिक्स्ड-पॉइंट कार्यान्वयन और VOLE-आधारित इंस्टेंशिएशन के माध्यम से दक्षता प्राप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपने एक बहुत ही महत्वपूर्ण दावत के लिए एक जटिल, गुप्त रेसिपी बनाने के लिए एक शेफ को काम पर रखा है। आप शत-प्रतिशत सुनिश्चित करना चाहते हैं कि उन्होंने वास्तव में आपके द्वारा प्रदान की गई विशिष्ट सामग्रियों का उपयोग करके, स्टेप-बाय-स्टेप रेसिपी का पालन किया है, लेकिन आपके पास दो बड़ी समस्याएँ हैं:
- आप रसोई देख नहीं सकते: शेफ उन्हें खाना बनाते हुए देखने से मना कर देता है क्योंकि वह उनकी "व्यापारिक गोपनीयता" (बौद्धिक संपदा/Intellectual Property) है।
- आप सामग्री देख नहीं सकते: शेफ आपको उन विशिष्ट सब्जियों का बैच नहीं दिखा सकता जिनका उन्होंने उपयोग किया है क्योंकि वह डेटा एक निजी फार्म का है (गोपनीयता/Privacy)।
आमतौर पर, आपको बस शेफ पर भरोसा करना होता है। लेकिन क्या होगा अगर वे धोखेबाज हों? क्या होगा अगर उन्होंने एक बना-बनाया भोजन खरीदा और उसे "ताज़ा पका हुआ" बताकर परोस दिया?
ZKBoost एक नया डिजिटल टूल है जो इस समस्या को हल करता है। यह शेफ (मॉडल ओनर) को यह साबित करने की अनुमति देता है कि उन्होंने आपके नियमों के अनुसार बिल्कुल सही तरीके से भोजन पकाया है, और वह भी आपकी विशिष्ट सामग्रियों का उपयोग करके, बिना आपको रेसिपी या सामग्री दिखाए।
यह पेपर इस जादू को कैसे समझाता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:
1. "ब्लैक बॉक्स" की समस्या
मशीन लर्निंग की दुनिया में, XGBoost एक सुपरस्टार शेफ की तरह है। यह डेटा टेबल्स के आधार पर चीजों की भविष्यवाणी करने में (जैसे कि क्रेडिट कार्ड ट्रांजेक्शन धोखाधड़ी है या नहीं, या मरीज को कोई बीमारी है या नहीं) अविश्वसनीय रूप से कुशल है।
हालाँकि, जब कोई कंपनी XGBoost मॉडल को ट्रेन करती है, तो वे डेटा और अंतिम "रेसिपी" (मॉडल) को गुप्त रखते हैं। यदि कोई क्लाइंट यह सत्यापित करना चाहता है कि मॉडल नकली नहीं है या इसे खराब डेटा पर ट्रेन नहीं किया गया है, तो वे आमतौर पर ऐसा नहीं कर सकते। वे गोपनीयता कानूनों को तोड़े बिना या व्यापारिक रहस्यों को उजागर किए बिना इसके अंदर झाँक नहीं सकते।
2. "जीरो-नॉलेज" का जादू का खेल
यह पेपर एक तकनीक पेश करता है जिसे जीरो-नॉलेज प्रूफ (ZKP) कहा जाता है।
एक जीरो-नॉलेज प्रूफ को एक जादुई दर्पण की तरह समझें।
- शेफ दर्पण के सामने खड़ा होता है।
- दर्पण क्लाइंट को एक चमकता हुआ हरा टिक मार्क दिखाता है, जिस पर लिखा है, "हाँ, खाना सही ढंग से पकाया गया है!"
- लेकिन दर्पण न तो शेफ का चेहरा दिखाता है, न ही सामग्री और न ही रेसिपी। यह केवल यह सिद्ध करता है कि कार्य सही ढंग से किया गया था।
3. यह पहले इतना कठिन क्यों था?
लेखकों का कहना है कि XGBoost के लिए ऐसा करना वैसा ही था जैसे यह साबित करना कि आपने एक घर बनाया है, लेकिन आपको यह साबित करना था कि आपने हर एक ईंट बिछाई है, जबकि आप आँखों पर पट्टी बांधे हुए थे और एक ऐसी भाषा में काम कर रहे थे जिसे कोई समझ नहीं सकता था।
- "आँखों पर पट्टी" (ओब्लिवियस पार्टीशनिंग): XGBoost डेटा को लगातार अलग-अलग बकेट में सॉर्ट करता है (जैसे सेबों को उनके आकार के आधार पर छाँटना)। इस तरह के "अंधे" क्रिप्टोग्राफिक तरीके से यह करना अविश्वसनीय रूप से धीमा और महंगा है।
- "सीक्रेट सॉस" (ट्री स्प्लिट्स): मॉडल छिपे हुए थ्रेशोल्ड के आधार पर निर्णय लेता है। पिछले प्रयासों में डेटा "लीक" हो जाता था—वे अनजाने में निर्णय वृक्षों (डिसीजन ट्री) की संरचना (टोपोलॉजी) को प्रकट कर देते थे, जो कि एक व्यापारिक रहस्य है।
- "गणितीय त्रुटि" (सुरक्षा अंतराल): कुछ पुराने तरीकों ने धोखेबाज प्रूवर को गणितीय ओवरफ्लो (जैसे कैलकुलेटर का 999 से 000 पर रोल ओवर होना) का कारण बनाकर गलत परिणाम दिखाने की अनुमति दी थी।
4. ZKBoost का समाधान: दो बड़े तरीके
पेपर इन समस्याओं को ठीक करने के लिए दो मुख्य नवाचार प्रस्तावित करता है:
तरीका A: "बॉटम-अप" निरीक्षण (जेनेरिक टेम्पलेट)
सामान्यतः, यह सत्यापित करने के लिए कि एक पेड़ (tree) सही ढंग से बनाया गया था, आपको पूरी कुकिंग प्रक्रिया को शुरू से फिर से चलाना होगा, जो बहुत धीमा है।
- पुराना तरीका: शेफ को ऊपर से नीचे की ओर, स्टेप-बाय-स्टेप पेड़ बनाते हुए देखना।
- ZKBoost का तरीका: लेखकों ने CertXGB नामक एक नई विधि बनाई है। शेफ द्वारा पेड़ बनाने को देखने के बजाय, वे उल्टे क्रम में (नीचे से ऊपर की ओर) काम करते हैं।
- वे पहले पत्तियों (leaves) की जाँच करते हैं, फिर शाखाओं (branches) की, और फिर तने (trunk) की।
- यह उन्हें एक ही समय में कई पेड़ों को सत्यापित करने की अनुमति देता है (पैरेलल प्रोसेसिंग), जिससे यह प्रमाण पिछले तरीकों की तुलना में 3 से 6 गुना तेज़ हो जाता है।
- महत्वपूर्ण रूप से, यह विधि यह बताए बिना गणित की जाँच करती है कि कौन सी शाखाएँ काट दी गई थीं (प्रूनिंग), जिससे पेड़ का आकार गुप्त रहता है।
तरीका B: "फिक्स्ड-पॉइंट" स्विच (सुरक्षा सुधार)
XGBoost आमतौर पर "फ्लोटिंग-पॉइंट" गणित (जैसे 3.14159...) का उपयोग करता है, जो क्रिप्टोग्राफी के लिए अव्यवस्थित है क्योंकि कंप्यूटर अलग-अलग मशीनों पर दशमलव को अलग तरह से संभालते हैं।
- समस्या: यदि गणित सटीक नहीं है, तो प्रमाण विफल हो जाता है। साथ ही, फ्लोटिंग-पॉइंट गणित बहुत बड़ा और धीमा होता है।
- समाधान: लेखकों ने XGBoost को फिक्स्ड-पॉइंट अंकगणित में बदल दिया।
- उपमा: बजाय इसके कि सामग्री को "कप और भिन्न (fractions)" (फ्लोटिंग पॉइंट) में मापा जाए, वे सब कुछ "चम्मच" (पूर्णांक/integers) में मापते हैं।
- उन्होंने सिद्ध किया कि भले ही वे "कप" के बजाय "चम्मच" का उपयोग कर रहे हैं, फिर भी अंतिम व्यंजन का स्वाद मूल फ्लोटिंग-पॉइंट संस्करण के बिल्कुल समान (1% सटीकता के भीतर) है।
- यह गणित को "प्रूफ-फ्रेंडली" बनाता है, ओवरफ्लो धोखाधड़ी के प्रति सुरक्षित बनाता है, और बहुत तेज़ बनाता है।
5. परिणाम: तेज़ और सुरक्षित
लेखकों ने वास्तविक दुनिया के डेटासेट (जैसे क्रेडिट कार्ड धोखाधड़ी और कैंसर का पता लगाना) पर अपने सिस्टम का परीक्षण किया।
- गति: उनका सिस्टम बड़े पैमाने पर डेटा को संभालने के मामले में निकटतम प्रतिद्वंद्वी (Sparrow) की तुलना में काफी तेज़ है।
- सटीकता: "चम्मच" वाला संस्करण (Fixed-Point) "कप" वाले संस्करण (Floating-Point) जितना ही सटीक है।
- सुरक्षा: उन्होंने "मैथ ओवरफ्लो" की उन खामियों को ठीक कर दिया है जिन्होंने पिछले सिस्टम में परिणामों को फर्जी बनाने की अनुमति दी थी।
सारांश
ZKBoost पहला ऐसा सिस्टम है जो मॉडल ओनर को यह कहने की अनुमति देता है, "मैं वादा करता हूँ कि मैंने इस AI को आपके निजी डेटा पर हमारे विशिष्ट नियमों का उपयोग करके प्रशिक्षित किया है," और वह भी एक क्रिप्टोग्राफिक रसीद के साथ सिद्ध करता है। यह दो तरीकों से करता है:
- समय बचाने के लिए उल्टे क्रम (बैकवर्ड्स) में काम की जाँच करना।
- सुरक्षा और गति सुनिश्चित करने के लिए सरल गणित (पूर्णांक) का उपयोग करना।
- यह सिद्ध करते हुए भी कि कुकिंग ईमानदार थी, रेसिपी और सामग्री को पूरी तरह से छिपाना।
इसका मतलब है कि क्लाइंट अंततः भरोसा कर सकते हैं कि उनके द्वारा उपयोग किए जाने वाले AI मॉडल वास्तविक हैं, बिना कंपनियों को उनके व्यापारिक रहस्य या निजी ग्राहक डेटा प्रकट करने के लिए मजबूर किए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।