Beschreibung

In diesem Fachprojekt untersuchen und implementieren Sie, wie Zero-Knowledge Proofs (ZKPs) auf zentrale Verfahren des maschinellen Lernens und der Data Science angewendet werden können. Im Zentrum stehen konkrete Algorithmen wie k-Means, lineare Regression, Entscheidungsbäume oder neuronale Netze. Deren Berechnungen sollen durch ZKPs verifizierbar gemacht werden, ohne die zugrundeliegenden Daten oder Modellparameter offenzulegen.

Ziel ist es, ZKP-basierte Beweise für die Korrektheit der Berechnung in überwachten und unüberwachten Lernverfahren zu entwerfen und praktisch umzusetzen.

Struktur

1. Einführung (2 Wochen)

• Theoretische Grundlagen zu ZKPs: interaktive vs. nicht-interaktive Beweise, SNARKs und STARKs
• Überblick über relevante ML-Verfahren: überwacht (Regression, Klassifikation), unüberwacht (Clustering), Unlearning
• Einführung in Tools wie pysnark, Circom/snarkjs, ezkl, RISC Zero oder Cairo

2. Teamarbeit: Auswahl und Analyse eines Algorithmus (1 Woche)

• Mögliche Themen:
  • Lineare Regression: ZK-Beweis für korrektes Fitten eines linearen Modells
  • Entscheidungsbäume: Nachweis korrekter Entscheidungsstruktur
  • k-Means Clustering: Beweis für korrekte Zuweisung und Mittelwertberechnung
  • Neuronale Netze (einfaches MLP): ZK-Inferenz mit festen Gewichten
  • Unlearning: Nachweis, dass ein Datenpunkt aus dem Modell entfernt wurde

3. Implementierung (ca. 8 Wochen)

• Übersetzung des Algorithmus in eine verifizierbare Struktur (z. B. R1CS)
• Entwicklung von Prover- und Verifier-Komponenten
• Test mit synthetischen oder öffentlichen Daten
• Analyse von Beweisgröße, Rechenzeit und möglichen Sicherheitslücken

4. Abschluss (2-3 Wochen)

• Präsentation des Projekts mit Live-Demo
• Kurzer schriftlicher Bericht mit Code-Dokumentation und Bewertung

Literatur

• Peng, Z., Wang, T., Zhao, C., Liao, G., Lin, Z., Liu, Y., ... & Zhang, S. (2025). A survey of zero-knowledge proof based verifiable machine learning. arXiv preprint arXiv:2502.18535.
• Ben-Sasson, E., Bentov, I., Horesh, Y., & Riabzev, M. (2019). Scalable zero knowledge with no trusted setup. In Advances in Cryptology–CRYPTO 2019: 39th Annual International Cryptology Conference, Santa Barbara, CA, USA, August 18–22, 2019, Proceedings, Part III 39 (pp. 701-732). Springer International Publishing.
• Ben-Sasson, E., Chiesa, A., Tromer, E., & Virza, M. (2014). Succinct {Non-Interactive} zero knowledge for a von neumann architecture. In 23rd USENIX Security Symposium (USENIX Security 14) (pp. 781-796).
• https://github.com/risc0/risc0
• https://github.com/meilof/pysnark

Organisatorisches

• Zielgruppe: BSc Informatik, Angewandte Informatik, Data Science
• Voraussetzungen: Grundlagen ML, lineare Algebra, Python
• Teams: 2-4 Personen pro Team
• Sprache: Deutsch oder Englisch
• Umfang: 4 SWS