Новое исследование представляет унифицированную системную характеристику безопасных многосторонних вычислений (MPC) и полностью гомоморфного шифрования (FHE) для машинного обучения с сохранением конфиденциальности. Работа оценивает два варианта MPC — преобразование арифметического/бинарного разделения и секретное разделение функций — наряду с FHE в нескольких моделях CNN и Transformer.
- Оценка охватывает диапазон сред LAN и WAN, размеры моделей, размеры пакетов и длины входных последовательностей.
- Она оценивает не только задержку онлайн-вывода, но и энергопотребление и монетарные затраты, учитывая накладные расходы на оффлайн и онлайн вычисления и коммуникацию.
- Анализ предоставляет эмпирические рекомендации по выбору и оптимизации этих парадигм вычислений с сохранением конфиденциальности.
- В работе описывается, как эволюционирующее оборудование и сетевые тенденции, вероятно, изменят компромиссы между схемами MPC и FHE.
Эта работа предлагает системные инсайты для исследователей и практиков, стремящихся понять или ускорить рабочие нагрузки PPML.