L'apprentissage automatique à zéro connaissance (zkML) fait face à un défi clé dans son application : les données d'entrée entraînent souvent une expansion significative de l'échelle des preuves, ce qui affecte directement l'efficacité et l'évolutivité du système. Certains projets ont trouvé des solutions en optimisant le processus de génération de témoins - en effectuant un prétraitement intelligent avant la génération de preuves, réduisant efficacement les données redondantes et compressant ainsi considérablement le volume de la preuve finale. Cette approche est d'une grande importance pour améliorer les performances des preuves à zéro connaissance dans des applications pratiques, en particulier dans des scénarios sensibles aux coûts sur la chaîne.