Sebuah studi baru menyajikan karakterisasi terpadu tingkat sistem dari komputasi multipartai aman (MPC) dan enkripsi homomorfik sepenuhnya (FHE) untuk inferensi pembelajaran mesin yang melestarikan privasi. Pekerjaan ini mengevaluasi dua varian MPC — konversi pembagian aritmatika/biner dan pembagian rahasia fungsi — bersama dengan FHE di berbagai model CNN dan Transformer.
- Evaluasi mencakup berbagai lingkungan LAN dan WAN, ukuran model, ukuran batch, dan panjang urutan input.
- Ini menilai tidak hanya latensi inferensi online tetapi juga konsumsi energi dan biaya moneter, dengan memperhitungkan overhead komputasi dan komunikasi offline serta online.
- Analisis ini memberikan panduan empiris untuk memilih dan mengoptimasikan paradigma komputasi yang melestarikan privasi ini.
- Ini menguraikan bagaimana tren perangkat keras dan jaringan yang berkembang kemungkinan akan menggeser trade-off antara skema MPC dan FHE.
Pekerjaan ini menawarkan wawasan tingkat sistem bagi peneliti dan praktisi yang berupaya memahami atau mempercepat beban kerja PPML.