[論文レビュー] zkFinGPT: Zero-Knowledge Proofs for Financial Generative Pre-trained Transformers

Xiao-Yang Liu, Ningjie Li+3 more|arXiv (Cornell University)|Jan 22, 2026

Explainable Artificial Intelligence (XAI)被引用数 0

ひとこと要約

.zkFinGPT はゼロ知識証明を用いて FinGPT の推論を検証しつつモデル重みとデータを保護しますが、 substantial computational overhead を伴います。

ABSTRACT

Financial Generative Pre-trained Transformers (FinGPT) with multimodal capabilities are now being increasingly adopted in various financial applications. However, due to the intellectual property of model weights and the copyright of training corpus and benchmarking questions, verifying the legitimacy of GPT's model weights and the credibility of model outputs is a pressing challenge. In this paper, we introduce a novel zkFinGPT scheme that applies zero-knowledge proofs (ZKPs) to high-value financial use cases, enabling verification while protecting data privacy. We describe how zkFinGPT will be applied to three financial use cases. Our experiments on two existing packages reveal that zkFinGPT introduces substantial computational overhead that hinders its real-world adoption. E.g., for LLama3-8B model, it generates a commitment file of $7.97$MB using $531$ seconds, and takes $620$ seconds to prove and $2.36$ seconds to verify.

研究の動機と目的

• 高リスクの金融環境や著作権に敏感な settings における FinGPT 出力の検証を、検証可能かつプライバシーを保護する形で動機づける。
• 検証が重要となる3つの金融ユースケースを示す（著作権訴訟、著作権付き試験結果、取引戦略のプライバシー）。
• 公開検証性を確保するために multilinear extension、sumcheck protocol、KZG 約束を組み合わせた zkFinGPT アーキテクチャを提案する。
• 改ざん耐性を確保するためにブロックチェーンへ commitment および proof アーティファクトをアップロードする。

提案手法

• W と X を有限体へ量子化し、multilinear extension (MLE) によって多項式形へ変換する。
• 三変数多項式 g(b1,b2,b3) を用いて W を公開せずに Y = WX を検証するために sumcheck プロトコルを適用する。
• Schwartz–Zippel の補題を用いて偽検証の確率を下げ、Fiat–Shamir でプロトコルを非対話化する。
• KZG 多項式約束方式を用いて多項式を約束し、ランダム点での開きを検証する。
• Two-module zkFinGPT ワークフロー：Monitor (Commit & Prove) および Verify (KeyGen & Verify)、ブロックチェーンでの不変性を実現。
• commit、proof、prove、verify の時間を評価するために LLama および GPT2 モデル上で zkLLM/ zkGPT パッケージを用いた実験的オーバーヘッド測定。

実験結果

リサーチクエスチョン

• RQ1 ゼロ知識証明は、モデル重みや入力データを公開せずに、FinGPT の推論を公開検証可能かつプライバシーを保護した形で検証できるか。
• RQ2 代表的な FinGPT モデルに対して zkFinGPT が導入する計算オーバーヘッドは、スケールの異なる場合でどの程度か。
• RQ3 提案されたユースケース（著作権訴訟、試験問題の信頼性、取引コンテストのプライバシー）は zkFinGPT の検証性からどのように恩恵を受けるか。
• RQ4 MLE、sumcheck、KZG 約束の組み合わせは、実世界の大規模 FinGPT モデルに対して実用的か。

主な発見

• zkFinGPT は substantial computational overhead を導入する。例として LLama3-8B では：proof size が 7.97 MB、commit に 531 s、prove に 620 s、verify に 2.36 s。
• LLama3-70B では commit 時間が 5310 s に達し、proof size が 25.35 MB、prove が 1578 s、verify が 4.66 s。
• 検証時間は proves の時間が長くても依然として効率的（5 s 未満）であり、証明ステップのボトルネックを示している。
• このアプローチは、モデル出力とデータプライバシーの検証が価値ある3つの金融ユースケースを示す。