Un nuevo estudio presenta una caracterización unificada a nivel de sistema de la computación multipartita segura (MPC) y la criptografía totalmente homomórfica (FHE) para inferencia de aprendizaje automático que preserva la privacidad. El trabajo evalúa dos variantes de MPC —conversión de compartición aritmética/binaria y compartición secreta de funciones— junto con FHE en múltiples modelos CNN y Transformer.

  • La evaluación cubre una gama de entornos LAN y WAN, tamaños de modelo, tamaños de lote y longitudes de secuencia de entrada.
  • Evalúa no solo la latencia de inferencia en línea, sino también el consumo de energía y el costo monetario, teniendo en cuenta las sobrecargas de cómputo y comunicación fuera de línea y en línea.
  • El análisis proporciona orientación empírica para seleccionar y optimizar estos paradigmas de cómputo que preservan la privacidad.
  • Describe cómo las tendencias evolutivas en hardware y redes probablemente cambiarán los compromisos entre esquemas MPC y FHE.

Este trabajo ofrece perspectivas a nivel de sistema para investigadores y profesionales que buscan comprender o acelerar cargas de trabajo PPML.