Une nouvelle étude présente une caractérisation unifiée au niveau système du calcul multipartite sécurisé (MPC) et du chiffrement entièrement homomorphe (FHE) pour l'inférence d'apprentissage automatique préservant la confidentialité. Le travail évalue deux variantes de MPC — conversion de partage arithmétique/binaire et partage secret de fonctions — ainsi que FHE sur plusieurs modèles CNN et Transformer.

  • L'évaluation couvre une gamme d'environnements LAN et WAN, des tailles de modèle, des tailles de lot et des longueurs de séquence d'entrée.
  • Elle évalue non seulement la latence d'inférence en ligne, mais aussi la consommation d'énergie et le coût monétaire, en tenant compte des surcoûts de calcul et de communication hors ligne et en ligne.
  • L'analyse fournit des conseils empiriques pour sélectionner et optimiser ces paradigmes de calcul préservant la confidentialité.
  • Elle décrit comment les tendances évolutives du matériel et du réseau sont susceptibles de modifier les compromis entre les schémas MPC et FHE.

Ce travail offre des insights au niveau système pour les chercheurs et praticiens cherchant à comprendre ou accélérer les charges de travail PPML.