ZK-SR117 مسیر حسابرسی خصوصی برای هوش مصنوعی وام‌دهی عادلانه را می‌آزماید

یک پیش‌چاپ تازه در arXiv کاربردی عملی برای اثبات‌های دانش صفر، فراتر از مقیاس‌پذیری بلاک‌چین، پیشنهاد می‌کند: بانک‌ها بتوانند برخی ویژگی‌های مدل اعتباری خود را ثابت کنند، بدون آن‌که وزن‌های مدل یا داده‌های مشتریان را در سطح هر ردیف در اختیار حسابرسان بگذارند.

این مقاله با عنوان «ZK-SR117» یک مجموعه اعتبارسنجیِ متعهدشده را به قطعه‌های هم‌اندازه تقسیم می‌کند و برای آمار تجمیعی هر قطعه اثبات می‌سازد. در آزمایش گزارش‌شده، سامانه ۳۲٬۷۶۸ ردیف از داده‌های وام مسکن HMDA سال ۲۰۲۲ را با ۳۲ اثبات zkSNARK مستقل و قابل‌راستی‌آزمایی پردازش کرد. شکاف برابری جمعیتی حاصل ۰٫۰۶۲۴۳ بود، در برابر ۰٫۰۶۵۳۲ برای کل مجموعه نگه‌داشته‌شده؛ یعنی اختلاف مطلق ۰٫۰۰۲۸۹. ساخت هر قطعه نیز تقریباً ۳٫۷ تا ۴ ثانیه زمان برد.

همین معماری، خطای کالیبراسیون مورد انتظار را در ده بازه احتمال نیز گواهی کرد. ساخت هر قطعه حدود ۱۴٫۷۲ ثانیه طول کشید و اختلاف دقت مدار نسبت به نمونه متعهدشده دقیق، ۰٫۰۰۰۳۷ گزارش شد. سامانه به‌جای انتشار رکوردهای منفرد، شمارش‌های تجمیعی را منتشر می‌کند؛ بنابراین راستی‌آزما می‌تواند محاسبه را بررسی کند، بدون آن‌که ردیف‌های اصلی را ببیند.

مهم‌ترین درس مهندسی مقاله در انتخاب معماری آن است. مدار تخت در اندازه‌های بزرگ‌تر عملی نبود و طراحی کاهش درختی نیز به‌سختی کامپایل می‌شد. قطعه‌بندی مدار را کوچک و قابل‌استفاده‌مجدد نگه داشت، اما هزینه خطی در اندازه اثبات ایجاد کرد: اجرای ۳۲ اثبات برای شکاف برابری جمعیتی حدود ۲۴٫۲ مگابایت اثبات تولید کرد.

این آزمایش همچنین یک مشکل واقعی کیفیت داده را آشکار کرد. یک مقدار شبه‌نشانه‌ای برای نسبت وام به ارزش، امتیاز استانداردشده‌ای بسیار بزرگ ایجاد کرد و باعث شد یکی از قطعه‌ها از زمان مجاز عبور کند. نویسندگان می‌گویند مشکل را با یک مشخصات قطعی و منتشرشده برای برش مقادیر، که پیش از نمونه‌گیری کنترل‌شده با nonce اعمال شد، برطرف کردند. این جزئیات مهم است: اعتبار حسابرسی خصوصی فقط به‌اندازه قواعد آماده‌سازی داده قابل‌اعتماد است.

یک ملاحظه مهم مقرراتی وجود دارد. مقاله طراحی خود را به راهنمای SR 11-7 فدرال رزرو و بولتن ۲۰۱۱-۱۲ اداره کنترل ارز مرتبط می‌کند، اما نامه SR 26-2 فدرال رزرو در ۱۷ آوریل ۲۰۲۶ می‌گوید راهنمای بازنگری‌شده مدیریت ریسک مدل، SR 11-7 را کنار گذاشته است. بنابراین این پیش‌چاپ باید یک نمونه اولیه فنی تلقی شود، نه مدرکی که نشان دهد نهاد ناظر اثبات‌های دانش صفر را به‌تنهایی برای رعایت مقررات کافی می‌داند. خود نویسندگان نیز تصریح می‌کنند که فقط دو کنترل، یک کلاس مدل و یک وظیفه از ابتدا تا انتها پیاده‌سازی شده‌اند و هفت نگاشت کنترلی دیگر هنوز پیشنهادهایی برای کار آینده هستند.

زاویه تازه برای توسعه‌دهندگان ZK صرفاً «هوش مصنوعیِ حفظ‌کننده حریم خصوصی» نیست. مسئله، تبدیل درخواست حسابرسی به یک گزاره قابل‌ترکیب است: مدل را متعهد کنید، داده اعتبارسنجی را متعهد کنید، اجازه دهید آزمون‌گیری را حسابرس کنترل کند و فقط ویژگی‌های تجمیعی مهم را اثبات کنید. آزمون بعدی این است که آیا چنین الگویی می‌تواند چندین مدل، پایش تغییرات، اعتبارسنج مستقل و الزامات اندازه اثبات و عملیات نظارتی واقعی را پوشش دهد یا نه.