Efficient and Secure Neural Network Inference with Homomorphic Encryption
Notice bibliographique
Résumé
Running deep neural networks in the cloud raises privacy concerns. While privacy-preserving machine learning techniques offer promising solutions, they often suffer from long latency due to large polynomials' replication costs and computational complexity. Diagonal-order matrix multiplication presents a potential avenue for addressing this issue by accelerating ciphertext-to-plaintext operations by efficiently using rotations. However, further performance enhancements are required to make these methods feasible for various platforms. This paper introduces the sparsity tailored for diagonal-order ciphertext-toplaintext operations with different ratios. By removing several weights parallel to the main diagonal, computational operations, such as rotations, addition, and multiplication, are reduced. Our approach significantly speeds up computations and lowers encrypted inference latency while maintaining model accuracy. Experimental evaluations reveal that with a 1:4 diagonal sparsity ratio, the proposed approach achieves a <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$1.86 \times$</tex> speedup compared to traditional fully connected networks. This method also reduces memory usage to less than 0.343 GByte for the entire homomorphic process on the MNIST dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».