- 简介随着机器学习在医疗保健、人脸识别和区块链等领域的渗透,保护敏感数据的需求越来越强烈。全同态加密(FHE)允许对加密数据进行推断,保护数据和机器学习模型的隐私。然而,它会将非安全推断速度降低到五个数量级,其根本原因在于用高阶多项式逼近函数(PAF)替换非多项式运算符(ReLU和MaxPooling)。我们提出了SmartPAF框架,用低阶PAF替换非多项式运算符,然后通过四种技术恢复PAF逼近模型的准确性:(1)系数调整(CT)-根据训练前的输入分布调整PAF系数,(2)渐进逼近(PA)-逐步替换一个非多项式运算符,然后进行微调,(3)交替训练(AT)-在解耦的方式下交替训练PAFs和其他线性运算符,以及(4)动态比例(DS)/静态比例(SS)-在训练中动态缩放PAF输入值在(-1,1)之间,并在FHE部署中将比例固定为运行最大值。CT、PA、AT和DS/SS的协同作用使SmartPAF能够增强在多个数据集下用各种低阶PAF逼近的各种模型的准确性。对于ImageNet-1k下的ResNet-18,SmartPAF在延迟-准确性权衡空间中发现的Pareto前沿线实现了1.42倍~13.64倍的准确性提高和6.79倍~14.9倍的速度提升,比之前的工作更好。此外,SmartPAF使14度的PAF(f1^2 g_1^2)相对于通过最小化逼近获得的27度PAF实现了7.81倍的加速,而后者的准确性相同,为69.4%。我们的代码可在https://github.com/EfficientFHE/SmartPAF上找到。
- 图表
- 解决问题解决问题:论文提出SmartPAF框架,通过四种技术来提高多项式逼近函数(PAF)逼近模型的准确性,以解决Fully Homomorphic Encryption(FHE)在保护数据隐私的同时导致非安全推断速度缓慢的问题。
- 关键思路关键思路:SmartPAF框架通过将非多项式算子替换为低次数PAF,然后通过系数调整、渐进逼近、交替训练和动态/静态缩放四种技术来提高PAF逼近模型的准确性。
- 其它亮点其他亮点:论文在ImageNet-1k数据集下使用ResNet-18模型进行实验,SmartPAF在准确率-延迟权衡空间中取得了1.42x ~ 13.64x的准确率提高和6.79x ~ 14.9x的速度提升,相比之前的工作有了显著的改进。此外,SmartPAF还使得14次PAF(f1^2 g_1^2)相比于使用相同69.4%后替换准确率的27次PAF最小极值逼近获得了7.81倍的加速。论文代码已经开源。
- 相关研究:最近的相关研究包括“Privacy-preserving deep learning”和“Secure multi-party computation”。
沙发等你来抢
去评论
评论
沙发等你来抢