"Comment manger un éléphant ? Une bouchée à la fois."
Ces dernières années, les modèles d'apprentissage automatique ont réalisé des avancées spectaculaires à une vitesse incroyable. Avec l'amélioration des capacités des modèles, leur complexité a également explosé - les modèles avancés d'aujourd'hui contiennent souvent des millions, voire des milliards de paramètres.
Pour faire face à des défis d'une telle ampleur, plusieurs systèmes de preuve à connaissance nulle ont vu le jour, ces systèmes s'efforcent constamment d'atteindre un équilibre dynamique entre le temps de preuve, le temps de vérification et la taille de la preuve.
Croissance exponentielle de l'échelle des paramètres du modèle  Bien que la plupart des travaux dans le domaine des preuves à divulgation nulle de connaissance se concentrent actuellement sur l'optimisation des systèmes de preuve eux-mêmes, une dimension clé est souvent négligée : comment décomposer des modèles à grande échelle en sous-modules plus petits et plus faciles à gérer pour la preuve. Vous pourriez vous demander pourquoi cela est si important ?
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
"Comment manger un éléphant ? Une bouchée à la fois."
Ces dernières années, les modèles d'apprentissage automatique ont réalisé des avancées spectaculaires à une vitesse incroyable. Avec l'amélioration des capacités des modèles, leur complexité a également explosé - les modèles avancés d'aujourd'hui contiennent souvent des millions, voire des milliards de paramètres.
Pour faire face à des défis d'une telle ampleur, plusieurs systèmes de preuve à connaissance nulle ont vu le jour, ces systèmes s'efforcent constamment d'atteindre un équilibre dynamique entre le temps de preuve, le temps de vérification et la taille de la preuve.
Croissance exponentielle de l'échelle des paramètres du modèle

Bien que la plupart des travaux dans le domaine des preuves à divulgation nulle de connaissance se concentrent actuellement sur l'optimisation des systèmes de preuve eux-mêmes, une dimension clé est souvent négligée : comment décomposer des modèles à grande échelle en sous-modules plus petits et plus faciles à gérer pour la preuve. Vous pourriez vous demander pourquoi cela est si important ?