⚡ electrical engineering

Deterministic Johnson--Lindenstrauss Projections from Pisot $\beta$ -Transformations for Zero-Knowledge Private Routing

यह शोधपत्र एक नियत (deterministic), ज़ीरो-नॉलेज-फ्रेंडली जॉनसन-लिंडेनस्ट्रास प्रोजेक्शन प्रस्तुत करता है जो पिसोट $\beta$ -रूपांतरणों (Pisot $\beta$ -transformations) से व्युत्पन्न है, जो एक एकल सार्वजनिक बीज (public seed) का उपयोग करके आयाम-मुक्त प्रसरण (dimension-free variance) और सटीक परिमित-क्षेत्र पुनरुत्पादकता (exact finite-field reproducibility) प्राप्त करने के लिए महंगी इन-सर्किट रैंडमनेस की आवश्यकता को समाप्त करता है और साथ ही युग्मों के बीच की दूरियों को भी सुरक्षित रखता है।

मूल लेखक: I. Dey, I. Cherkaoui

प्रकाशित 2026-08-14

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: I. Dey, I. Cherkaoui

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 एक ऐसी दुनिया जहाँ आपका डिजिटल जीवन गुप्त हैंडशेक (secret handshakes) की एक श्रृंखला है। आप एक बाउंसर को यह साबित करना चाहते हैं कि आप एक वीआईपी क्लब के सदस्य हैं बिना अपनी आईडी दिखाए, या एक बैंक को यह साबित करना चाहते हैं कि आपके पास पर्याप्त पैसा है बिना अपना बैलेंस बताए। यह "जीरो-नॉलेज प्रूफ" (ZK) का जादू है: एक ऐसा तरीका जिससे आप यह कह सकते हैं कि "मुझे रहस्य पता है" बिना उस रहस्य को कभी फुसफुसाए। लेकिन यहाँ एक पेंच है: यह साबित करने के लिए कि आप सही समूह से संबंधित हैं, आपकी डिजिटल पहचान अक्सर संख्याओं का एक विशाल, जटिल बादल (एक उच्च-आयामी वेक्टर) होती है। इस बादल का मिलान वीआईपी सूची से करना एक पहाड़ में रेत के एक विशिष्ट कण को खोजने जैसा है; इसमें इतनी अधिक कंप्यूटर शक्ति और समय लगता है कि यह सब कुछ धीमा कर देता है।

इसे ठीक करने के लिए, वैज्ञानिक "जॉनसन-लिंडनस्ट्रॉस" (JL) प्रोजेक्शन नामक एक ट्रिक का उपयोग करते हैं। इसे एक जादुई फोटोकॉपी करने वाली मशीन के रूप में समझें जो एक विशाल, 3D मूर्ति को एक सपाट, 2D छाया में सिकोड़ देती है। आश्चर्यजनक रूप से, यदि आप इसे बिल्कुल सही तरीके से सिकोड़ते हैं, तो छाया में बिंदुओं के बीच की दूरियाँ मूल मूर्ति की तुलना में बिल्कुल समान रहती हैं। यह "बाउंसर" के काम को आसान और तेज़ बनाता है। हालाँकि, एक समस्या है: इस सिकोड़ने वाली मशीन को बनाने का सामान्य तरीका एक डिजिटल पासा (digital die) फेंकने में शामिल है। मशीन रैंडम है, इसलिए यह साबित करने के लिए कि आपने प्रोटोकॉल से विचलन नहीं किया है, आपको यह साबित करना होगा कि आपने पासा सही ढंग से फेंका था। यह प्रमाण इतना भारी है कि यह उस सारी गति को खत्म कर देता है जो आपने डेटा को सिकोड़ने से प्राप्त की थी। हमें एक ऐसी सिकोड़ने वाली मशीन चाहिए जो निश्चित (fixed), सार्वजनिक और बिना किसी पासे के रोल के निष्पक्ष हो।

यह शोध पत्र उस मशीन को बनाने का एक नया तरीका पेश करता है जो "पिसोट $\beta$ -ट्रांसफॉर्मेशन" (Pisot $\beta$ -transformations) नामक एक विशेष प्रकार के गणित का उपयोग करता है। लेखक, आई. डे और आई. चेरकावी ने एक नियतात्मक (deterministic/non-random) प्रोजेक्शन बनाया है जो रैंडम वाले प्रोजेक्शन जितना ही अच्छा काम करता है, लेकिन यह पूरी तरह से पुनरुत्पादित (reproducible) है जिसे कोई भी, कहीं भी, बिना किसी रैंडम सीड को सिद्ध किए कर सकता है।

समस्या: "रैंडम" बाधा

प्राइवेट रूटिंग की दुनिया में—जहाँ एक AI एजेंट यह तय करता है कि एक निजी संदेश को कौन सा विशेषज्ञ मॉडल संभालना चाहिए—संदेश को संख्याओं की एक लंबी सूची में बदल दिया जाता है। चीजों को निजी रखने के लिए, एजेंट यह प्रमाणित करता है कि संदेश एक "सुरक्षित" श्रेणी से संबंधित है, जिसे ज्ञात "सेंट्रॉइड्स" (सुरक्षित संदेशों के औसत उदाहरण) की सूची के साथ तुलना करके किया जाता है। यह तुलना महंगी है।

सामान्य समाधान यह है कि संख्याओं की सूची को एक रैंडम मैट्रिक्स (एक JL प्रोजेक्शन) का उपयोग करके छोटा किया जाए। लेकिन क्योंकि मैट्रिक्स रैंडम है, कंप्यूटर को इसके लिए प्रतिबद्ध होना पड़ता है और यह प्रमाणित करना पड़ता है कि इसे निष्पक्ष रूप से बनाया गया था। यह प्रमाण इतना महंगा है कि यह डेटा को सिकोड़ने के उद्देश्य को ही विफल कर देता है। लेखक तर्क देते हैं कि हमें एक ऐसा मैट्रिक्स चाहिए जो सार्वजनिक, निश्चित और सभी के लिए समान हो, ताकि रैंडमनेस का प्रमाण देने की आवश्यकता न पड़े।

समाधान: "स्ट्रेच-एंड-फोल्ड" मशीन

लेखक इस निश्चित मैट्रिक्स को बनाने के लिए एक अराजक मानचित्र (chaotic map) जिसे Pisot $\beta$ -transformation कहा जाता है, का उपयोग करने का प्रस्ताव देते हैं।

उपमा: एक आटे के टुकड़े की कल्पना करें। आप इसे खींचते हैं (संख्या $\beta$ से गुणा करते हैं) और फिर इसे वापस खुद पर मोड़ देते हैं (शेषफल लेते हैं)। यह एक "अराजक" (chaotic) प्रक्रिया है; यदि आप आटे के दो लगभग समान बिंदुओं से शुरू करते हैं, तो वे जल्दी ही पूरी तरह से अलग जगहों पर पहुँच जाएंगे। यह अराजकता डेटा को बिखेरने के लिए बहुत अच्छी है, लेकिन उन कंप्यूटरों के लिए बहुत खराब है जिन्हें परिणाम पर सहमत होने की आवश्यकता होती है।
सामान्य अराजकता के साथ समस्या: यदि दो कंप्यूटर इस खींचने और मोड़ने की प्रक्रिया का अनुकरण करने का प्रयास करते हैं, तो उनकी गणितीय गणनाओं में सूक्ष्म अंतर (जैसे राउंडिंग एरर) उन्हें जल्दी से अलग कर देगा। एक कंप्यूटर सोच सकता है कि आटा स्थिति A पर है, जबकि दूसरा सोच सकता है कि यह स्थिति B पर है। वे मैट्रिक्स पर सहमत नहीं हो सकते।
Pisot का जादू: लेखक एक विशेष प्रकार की संख्या का उपयोग करते हैं जिसे Pisot संख्या (जैसे गोल्डन रेशियो, 1.618, या प्लास्टिक नंबर, 1.325) कहा जाता है। इन संख्याओं के पास एक विशेष बीजगणितीय गुण है: भले ही प्रक्रिया अराजक हो, लेकिन "ऑर्बिट" (वह पथ जो आटा लेता है) को नियमों के एक सीमित सेट का उपयोग करके सटीक रूप से गणना किया जा सकता है।
- परिणाम: दो कंप्यूटर बिल्कुल एक ही "स्ट्रेच-एंड-फोल्ड" सिमुलेशन चला सकते हैं और बिना किसी राउंडिंग एरर के बिल्ट-फॉर-बिटट (bit-for-bit) एक ही परिणाम प्राप्त कर सकते हैं। यह एक ऐसी रेसिपी की तरह है जो लकड़ी के चम्मच या धातु के चम्मच, दोनों के साथ पूरी तरह से काम करती है, जब तक कि आप चरणों का पालन करते हैं।

उन्होंने क्या पाया

टीम ने सिद्ध किया कि यह नियतात्मक मैट्रिक्स रैंडम वाले मैट्रिक्स जितना ही अच्छा काम करता है, लेकिन कुछ प्रमुख लाभों के साथ:

यह दूरियों को सुरक्षित रखता है: उन्होंने गणितीय रूप से सिद्ध किया कि "सिकोड़ा" गया डेटा मूल बिंदुओं के बीच की दूरियों को लगभग समान रखता है। त्रुटि (bias) बहुत कम है और यह डेटा बड़ा होने पर भी नहीं बढ़ती है।
यह तेज़ और सस्ता है: क्योंकि मैट्रिक्स निश्चित और सार्वजनिक है, कंप्यूटर को यह साबित करने में समय खर्च करने की आवश्यकता नहीं है कि इसे निष्पक्ष रूप से बनाया गया था। यह बस पहले से सहमत रेसिपी का उपयोग करता है।
यह पुनरुत्पादित (Reproducible) है: उन्होंने दिखाया कि जबकि एक जेनेरिक अराजक मानचित्र (जैसे प्रसिद्ध "लॉजिस्टिक्स मैप") को सटीक रूप से गणना करने के लिए असंभव मात्रा में मेमोरी की आवश्यकता होगी (जो तेजी से बढ़ती है), Pisot मैप को केवल एक बहुत ही छोटी, निश्चित मेमोरी की आवश्यकता होती है (जो रैखिक रूप से बढ़ती है)।
- परीक्षण: अपने सिमुलेशन में, उन्होंने अपने Pisot मेथड की तुलना छह अन्य मानक तरीकों के साथ की, जिसमें रैंडम गॉसियन मैट्रिक्स और अन्य अराजक मानचित्र शामिल थे।
- परिणाम: Pisot मेथड ने रैंडम मैट्रिक्स के सांख्यिकीय गुणों को पूरी तरह से मैच किया। माप में "शोर" (noise) समान था, और संदेशों को सही ढंग से रूट करने की क्षमता भी समान थी। वास्तव में, उन्होंने पाया कि एक एकल सार्वजनिक "सीड" (आटे का शुरुआती बिंदु) सेंट्रॉइड्स की एक बड़ी सूची के सभी जोड़ों के लिए दूरियों को सुरक्षित रख सकता है।

कमी (और भविष्य)

लेखक बहुत स्पष्ट हैं कि उनके पास क्या है और क्या नहीं है।

क्या सिद्ध है: उन्होंने गणितीय रूप से सिद्ध किया है कि बायस (bias) छोटा है और वेरिएंस (noise) अच्छी तरह से व्यवहार करता है। उन्होंने सिद्ध किया है कि एक अच्छा सीड मौजूद है और उसे खोजा जा सकता है।
क्या मापा गया है: उन्होंने सिमुलेशन चलाकर दिखाया कि व्यावहारिक रूप से यह रैंडम वाले के समान काम करता है, जिसमें सटीकता का कोई नुकसान नहीं होता है।
क्या अभी भी खुला है: वे स्वीकार करते हैं कि हालांकि वे विश्वास करते हैं कि यह तरीका उनके वर्तमान प्रमाण से भी बेहतर है (बड़े सूचियों के लिए कम मेमोरी की आवश्यकता है), उन्होंने अभी तक पूर्ण "कन्सेंट्रेशन इनइक्वेलिटी" (concentration inequality) को पूरी तरह से सिद्ध नहीं किया है जो किसी भी संभावित इनपुट के लिए इसकी गारंटी दे सके, केवल उन विशिष्ट सेंट्रॉइड्स के लिए जिन्हें वे सुरक्षित कर रहे हैं।

यह क्यों मायने रखता है

यह केवल एक गणितीय पहेली नहीं है; यह निजी AI को व्यावहारिक बनाने की एक कुंजी है। वर्तमान में, यदि आप किसी निजी मेडिकल केस को विशेषज्ञ तक पहुँचाना चाहते हैं या विवरण प्रकट किए बिना भुगतान को सत्यापित करना चाहते हैं, तो "प्रमाण" (proof) में मिनटों का समय और गीगाबाइट्स डेटा लगता है। इस नए नियतात्मक प्रोजेक्शन के साथ, लेखक सुझाव देते हैं कि हम उस समय को सेकंडों में और डेटा के आकार को किलोबाइट्स में कम कर सकते हैं, जबकि गोपनीयता की गारंटी भी चट्टान की तरह मजबूत रहेगी।

उन्होंने केवल एक नया नंबर नहीं खोजा; उन्होंने एक तरीका खोजा है जिससे जीरो-नॉलेज प्रूफ का "जादू" एक निश्चित, सार्वजनिक ट्रैक पर चल सके जिसे कोई भी सत्यापित कर सके, जिससे उन महंगे, रैंडम "डाइस रोल्स" की आवश्यकता समाप्त हो जाए जो सब कुछ धीमा कर देते हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ आपकी डिजिटल गोपनीयता आपकी धैर्य की परीक्षा लेने की कीमत पर नहीं होगी।

तकनीकी सारांश: ज़ीरो-नॉलेज प्राइवेट रूटिंग के लिए डिटर्मिनिस्टिक (निश्चित) जॉनसन–लिंडेनस्ट्रास प्रोजेक्शन हेतु पिसोट $\beta$ -ट्रांसफॉर्मेशन

1. समस्या विवरण

प्राइवेट रूटिंग के लिए ज़ीरो-नॉलेज (ZK) प्रूफ सिस्टम में, एक प्रूवर को यह प्रमाणित करना होता है कि एक मैसेज एम्बेडिंग $v \in \mathbb{R}^d$ सार्वजनिक सेंट्रॉइड्स के एक सेट $C = \{c_1, \dots, c_N\}$ द्वारा परिभाषित अनुमत सिमेंटिक क्लास का हिस्सा है। यह आमतौर पर एक 'नियरएस्ट-सेंट्रॉइड टेस्ट' के माध्यम से किया जाता है, जिसके लिए $O(Nd)$ अंकगणितीय बाधाओं (constraints) की आवश्यकता होती है। आधुनिक एम्बेडिंग आयामों ( $d \in [768, 4096]$ ) को देखते हुए, यह बाधा गणना (constraint count) प्रूफ के आकार और प्रूवर के समय पर हावी हो जाती है।

मानक समाधान एक जॉनसन–लिंडेनस्ट्रास (JL) प्रोजेक्शन का उपयोग करना है ताकि आयाम को $m \ll d$ तक कम किया जा सके। हालांकि, शास्त्रीय JL मैट्रिसेस रैंडम (यादृच्छिक) होते हैं। ZK संदर्भ में, एक रैंडम मैट्रिक्स का उपयोग करने के लिए सर्किट को उस मैट्रिक्स के प्रति कमिट (commit) करना पड़ता है और उसके सैंपलिंग की शुद्धता को सिद्ध करना पड़ता है, जिससे वही कम्प्यूटेशनल लागत फिर से उत्पन्न हो जाती है जिसे प्रोजेक्शन को समाप्त करने के लिए बनाया गया था। इसके अलावा, रैंडम मैट्रिसेस को सैंपलिंग प्रक्रिया को सिद्ध करने की आवश्यकता होती है, जो लीकेज का जोखिम पैदा करता है। चुनौती एक सार्वजनिक, डिटर्मिनिस्टिक और निश्चित प्रोजेक्शन मैट्रिक्स बनाने की है जो:

सिद्ध रूप से युग्म-दूरी (pairwise distances) को संरक्षित करे।
सर्किट के फिक्स्ड फाइनिट फील्ड (finite field) के अनुकूल हो।
किसी भी इन-सर्किट रैंडमनेस या सैंपलिंग प्रूफ की आवश्यकता न हो।

2. कार्यप्रणाली (Methodology)

लेखक एक पिसोट $\beta$ -ट्रांसफॉर्मेशन के मानकीकृत ऑर्बिट (standardized orbit) से प्रोजेक्शन मैट्रिक्स $A$ का निर्माण करने का प्रस्ताव करते हैं।

मैप (The Map): एक यूनिट इंटरवल पर $\beta$ -ट्रांसफॉर्मेशन $T_\beta x = \beta x - \lfloor \beta x \rfloor$ है, जहाँ $\beta > 1$ एक पिसोट नंबर है (एक बीजगणितीय पूर्णांक जिसके गैलॉइस कंजुगेट्स यूनिट डिस्क के भीतर स्थित होते हैं, जैसे कि गोल्डन रेशियो)।
डायनेमिक्स (Dynamics): यह मैप एक डिटर्मिनिस्टिक "स्ट्रेच-एंड-फोल्ड" अराजक प्रणाली (chaotic system) है जिसका एक अद्वितीय इनवेरिएंट पैरी मेजर $\mu$ है। महत्वपूर्ण रूप से, क्योंकि $\beta$ एक पिसोट नंबर है, इस मैप के ट्रांसफर ऑपरेटर में एक स्पेक्ट्रल गैप (spectral gap) होता है, जिससे ऑब्जर्वेबल्स के बीच सहसंबंध (correlations) ज्यामितीय रूप से घटते हैं ( $|r_k| \le C\theta^k$ )।
मैट्रिक्स निर्माण:
- एक सार्वजनिक सीड $x_0$ चुना जाता है।
- एक सैंपलिंग गैप $g$ को फिक्स किया जाता है ताकि यह सुनिश्चित हो सके कि सैंपल को कोरिलेशन टाइम से परे लिया गया है।
- मैट्रिक्स एंट्रीज़ $A_{ij}$ को नॉर्मलाइज्ड ऑर्बिट वैल्यूज़ $z_p = \psi(T_\beta^{pg} x_0)$ के साथ क्रमिक रूप से भरा जाता है।
- प्रोजेक्शन $\Phi(v) = Av/\sqrt{m}$ है।
फिनिट फील्ड रिप्रोड्यूसिबिलिटी (Finite Field Reproducibility): जेनेरिक अराजक मैप्स (जैसे लॉजिस्टिक मैप) के विपरीत, पिसोट प्रॉपर्टी यह सुनिश्चित करती है कि ऑर्बिट को एक फिक्स्ड फाइनिट फील्ड में सटीक रूप से पुनरुत्पादित (reproduce) किया जा सकता है। $k$ स्टेप्स को जेनरेट करने की लागत $k$ के रैखिक (linear) में है (विशेष रूप से $O(k \log_2 \beta)$ बिट्स), जबकि जेनेरिक अराजक मैप्स को सटीक अंकगणित बनाए रखने के लिए एक्सपोनेंशियल बिट ग्रोथ ( $O(2^k)$ ) की आवश्यकता होती है।

3. मुख्य योगदान

पेपर चार मुख्य सैद्धांतिक और व्यावहारिक योगदान प्रस्तुत करता है:

डायमेंशन-फ्री बायस और वेरिएंस बाउंड्स:
- बायस (Bias): लेखक सिद्ध करते हैं कि स्क्वेर्ड-नॉर्म एस्टिमेटर का बायस एक टर्म द्वारा बाउंडेड है जो सैंपलिंग गैप $g$ के साथ ज्यामितीय रूप से घटता है, जो एम्बिएंट डायमेंशन $d$ से स्वतंत्र है (लेम्मा 1)। यह $\beta$ -मैप के स्पेक्ट्रल गैप से प्राप्त होता है, जो मानक इक्विडिस्ट्रिब्यूशन तर्कों की तुलना में एक मजबूत गारंटी प्रदान करता है।
- वेरिएंस (Variance): वे दिखाते हैं कि एस्टिमेटर का वेरिएंस $V_0/m$ के रूप में स्केल होता है। महत्वपूर्ण रूप से, एक घोषित कंसंट्रेशन हाइपोथेसिस के तहत, स्थिरांक $V_0$ डायमेंशन-फ्री है (यह $d^2$ के साथ नहीं बढ़ता), जो कि क्रूड बाउंड्स के विपरीत है जो $O(d^2)$ का सुझाव देते हैं। इसका तात्पर्य है कि एक निश्चित प्रोजेक्शन डायमेंशन $m$ पर्याप्त है, चाहे $d$ कितना भी बड़ा क्यों न हो जाए।
एक एकल सार्वजनिक सीड का अस्तित्व:
- थ्योरम 1 सिद्ध करता है कि एक सार्वजनिक सीड $x_0$ मौजूद है जो सभी $\binom{N}{2}$ युग्म सेंट्रॉइड दूरियों को $(1 \pm \varepsilon)$ के भीतर सुरक्षित रखता है।
- इस सीड को एक कुशल ऑफलाइन सर्च के माध्यम से पाया जा सकता है। एक बार मिलने के बाद, मैट्रिक्स फिक्स्ड, पब्लिक और बिना किसी रैंडमनेस कमिटमेंट के होता है।
पिसोट प्रॉपर्टी के माध्यम से सटीक पुनरुत्पादकता (Exact Reproducibility):
- पेपर पहचानता है कि ZK परिनियोजन (deployment) के लिए पिसोट प्रॉपर्टी (न कि केवल जेनेरिक केओस) आवश्यक है। यह गारंटी देता है कि ऑर्बिट को एक फिक्स्ड फाइनिट फील्ड में रैखिक कम्प्यूटेशनल लागत के साथ सटीक रूप से पुनरुत्पादित किया जा सकता है। जेनेरिक अराजक मैप्स फ्लोटिंग-पॉइंट विचलन (divergence) से बचने के लिए आवश्यक प्रिसिजन (डेनॉमिनेटर) के एक्सपोनेंशियल ग्रोथ के कारण यहाँ विफल हो जाते हैं।
रोबस्टनेस और सर्च:
- एक क्लोज्ड-फॉर्म सर्टिफिएबल रोबस्टनेस रेडियस प्रदान किया गया है (प्रपोजिशन 1), जो यह परिभाषित करता है कि एक क्वेरी अधिकतम कितना विक्षेप (perturbation) सह सकती है बिना अपने निकटतम प्रोजेक्टेड सेंट्रॉइड को बदले।
- सीड की खोज अनकंडीशनल (unconditional) है (वेरिएंस बाउंड्स द्वारा गारंटीकृत), लेकिन यदि स्पेक्ट्रल-गैप मैप के लिए एक विशिष्ट कंसंट्रेशन इनइक्वेलिटी लागू होती है, तो इसे $N$ पर लॉगरिदमिक डिपेंडेंस में सुधारा जा सकता है।

4. प्रयोगात्मक परिणाम

निर्माण का मूल्यांकन छह मानक प्रोजेक्शन्स के विरुद्ध किया गया: गॉसियन, रेडमेकर, अचिलॉप्टास स्पार्स, सबसैम्प्ड रैंडमाइज्ड हैडामार्ड ट्रांसफॉर्म (SRHT), और एक अराजक-अनुक्रम मैट्रिक्स (यू एट अल.)।

सांख्यिकीय गुणवत्ता (Statistical Quality): पिसोट प्रोजेक्शन रैंडम प्रोजेक्शन्स के समान सांख्यिकीय गुणवत्ता प्रदर्शित करता है।
- वेरिएंस रेट: एस्टिमेटर का वेरिएंस $1/m$ नियम का पालन करता है और गॉसियन JL के $2/m$ रेफरेंस के साथ ओवरलैप करता है।
- डायमेंशन इंडिपेंडेंस: जैसे-जैसे $d$ को 64 से 1024 तक बढ़ाया जाता है, $V_0$ का डायमेंशन-फ्री प्रेडिक्शन की पुष्टि करते हुए $V_0$ स्थिर रहता है।
- डिस्टॉर्शन (Distortion): सभी सेंट्रॉइड पेयर्स पर वर्स्ट-केस रिलेटिव डिस्टॉर्शन, गॉसियन JL बेसलाइन को ट्रैक करता है।
टास्क परफॉरमेंस: $d=256$ के साथ 24-क्लास नियरएस्ट-सेंट्रॉइड रूटिंग टास्क में, पिसोट प्रोजेक्शन ने $m=32$ (8x कंप्रेशन) पर 100% सटीकता प्राप्त की, जो अन्य विधियों के समान है।
पुनरुत्पादकता (Reproducibility): सिमुलेशन ने पुष्टि की कि फ्लोटिंग-पॉइंट इम्प्लीमेंटेशन लगभग 50-70 स्टेप्स के बाद सटीक ऑर्बिट से विचलित हो जाते हैं (जो कि लयापुनोव भविष्यवाणियों के अनुरूप है), जबकि पिसोट $\beta$ -एडिक रिप्रेजेंटेशन सटीक और कॉम्पैक्ट रहता है (200 स्टेप्स के लिए 139 बिट्स बनाम लॉजिस्टिक मैप के लिए $1.66 \times 10^6$ बिट्स)।

5. महत्व और दावे

पेपर दावा करता है कि यह निर्माण एकमात्र ऐसा तरीका है जो ज़ीरो-नॉलेज प्राइवेट रूटिंग के लिए तीन महत्वपूर्ण आवश्यकताओं को एक साथ पूरा करता है:

इन-सर्किट रैंडमनेस से मुक्त: रैंडम मैट्रिक्स के सैंपलिंग के लिए कमिट करने या उसे सिद्ध करने की आवश्यकता नहीं है।
फिक्स्ड फाइनिट फील्ड में सटीक रूप से पुनरुत्पादित: पिसोट प्रॉपर्टी के माध्यम से $\log_2 \beta$ की प्रति-स्टेप लागत के साथ प्राप्त किया गया, जो जेनेरिक अराजक मैप्स के $O(2^k)$ खर्च से बचता है।
रैंडम प्रोजेक्शन्स के सांख्यिकीय रूप से समकक्ष: यह मानक JL मैट्रिसेस के वेरिएंस रेट और डिस्टॉर्शन गुणों से मेल खाता है।

लेखक नोट करते हैं कि जबकि सांख्यिकीय गुणवत्ता सिद्ध है, अनकंडीशनल $O(N^2)$ सीड सर्च बाउंड को कंडीशनल $O(\log N)$ बाउंड में अपग्रेड करने का सैद्धांतिक चरण, ट्रांसफर ऑपरेटर के लिए एक विशिष्ट कंसंट्रेशन इनइक्वेलिटी पर निर्भर है, जो एक खुला सैद्धांतिक प्रश्न बना हुआ है। व्यावहारिक रूप से, यह विधि मिनटों/गीगाबाइट्स के प्रूफ जनरेशन को सेकंडों में बदलने में सक्षम बनाती है, जिससे हाई-डायमेंशनल एम्बेडिंग्स के लिए वेरीफिएबल प्राइवेट रूटिंग संभव हो जाती है।