Um novo estudo apresenta uma caracterização unificada em nível de sistema da computação multipartidária segura (MPC) e criptografia totalmente homomórfica (FHE) para inferência de aprendizado de máquina que preserva a privacidade. O trabalho avalia duas variantes de MPC — conversão de compartilhamento aritmético/binário e compartilhamento secreto de funções — junto com FHE em múltiplos modelos CNN e Transformer.

  • A avaliação abrange uma variedade de ambientes LAN e WAN, tamanhos de modelo, tamanhos de lote e comprimentos de sequência de entrada.
  • Ela avalia não apenas a latência de inferência online, mas também o consumo de energia e o custo monetário, considerando as sobrecargas de computação e comunicação offline e online.
  • A análise fornece orientação empírica para selecionar e otimizar esses paradigmas de computação que preservam a privacidade.
  • Ela delineia como as tendências evolutivas de hardware e rede provavelmente mudarão os compromissos entre esquemas MPC e FHE.

Este trabalho oferece insights em nível de sistema para pesquisadores e profissionais que buscam compreender ou acelerar cargas de trabalho PPML.