La aprendizaje automático de cero conocimiento (zkML) enfrenta un desafío clave en su aplicación: los datos de entrada a menudo provocan una expansión significativa en la escala de las pruebas, lo que afecta directamente la eficiencia y escalabilidad del sistema. Algunos proyectos han encontrado soluciones al optimizar el proceso de generación de testigos: realizando un preprocesamiento inteligente antes de la generación de pruebas, lo que reduce efectivamente los datos redundantes y comprime significativamente el tamaño de la prueba final. Esta idea es de gran importancia para mejorar el rendimiento de las pruebas de cero conocimiento en aplicaciones prácticas, especialmente en escenarios donde los costos en la cadena son sensibles.