論文の概要: Salted Inference: Enhancing Privacy while Maintaining Efficiency of
Split Inference in Mobile Computing
- arxiv url: http://arxiv.org/abs/2310.13384v1
- Date: Fri, 20 Oct 2023 09:53:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 23:35:17.555889
- Title: Salted Inference: Enhancing Privacy while Maintaining Efficiency of
Split Inference in Mobile Computing
- Title（参考訳）: Salted Inference: モバイルコンピューティングにおけるスプリット推論の効率を維持しながらプライバシを高める
- Authors: Mohammad Malekzadeh and Fahim Kawsar
- Abstract要約: Split推論は、ディープニューラルネットワーク(DNN)をパーティションして、エッジの初期部分とクラウドの後半部分を実行する。
デバイス上の機械学習には、入力のプライバシと計算効率の2つの重要な要件がある。
本稿では,クライアントがDNN出力のセマンティック解釈を推論時に制御できる新しい手法であるSalted DNNを紹介する。
- 参考スコア（独自算出の注目度）: 8.915849482780631
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Split inference partitions a deep neural network (DNN) to run the early part
at the edge and the later part in the cloud. This meets two key requirements
for on-device machine learning: input privacy and compute efficiency. Still, an
open question in split inference is output privacy, given that the output of a
DNN is visible to the cloud. While encrypted computing can protect output
privacy, it mandates extensive computation and communication resources. In this
paper, we introduce "Salted DNNs": a novel method that lets clients control the
semantic interpretation of DNN output at inference time while maintaining
accuracy and efficiency very close to that of a standard DNN. Experimental
evaluations conducted on both image and sensor data show that Salted DNNs
achieve classification accuracy very close to standard DNNs, particularly when
the salted layer is positioned within the early part to meet the requirements
of split inference. Our method is general and can be applied to various DNNs.
We open-source our code and results, as a benchmark for future studies.
- Abstract（参考訳）: Split推論は、ディープニューラルネットワーク(DNN)をパーティションして、エッジの初期部分とクラウドの後半部分を実行する。
デバイス上の機械学習には、入力のプライバシと計算効率の2つの重要な要件がある。
それでも、分割推論におけるオープンな質問は、DNNの出力がクラウドに可視であることを考えると、出力のプライバシである。
暗号化コンピューティングはアウトプットプライバシを保護することができるが、広範な計算と通信リソースを必要とする。
本稿では,従来のDNNと非常に近い精度と効率を維持しつつ,クライアントが推論時にDNN出力の意味的解釈を制御できるようにする手法である「Salted DNN」を紹介する。
画像とセンサデータの両方で行った実験的評価では、塩分dnnは標準dnnに非常に近い分類精度を達成しており、特に塩分層が初期位置にある場合、分割推論の要件を満たすことが示されている。
本手法は汎用的であり,様々なDNNに適用可能である。
将来の研究のベンチマークとして、コードと結果をオープンソースにしています。
関連論文リスト
- MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via
Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。
ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。
そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
論文 参考訳（メタデータ） (2024-02-21T04:43:12Z) - A Survey on Deep Neural Network Partition over Cloud, Edge and End
Devices [6.248548718574856]
ディープニューラルネットワーク(DNN)パーティションは、DNNを複数の部分に分割し、特定の場所にオフロードする研究問題である。
本稿では,クラウド,エッジ,エンドデバイス上でのDNNパーティションアプローチの最近の進歩と課題について,包括的調査を行う。
論文 参考訳（メタデータ） (2023-04-20T00:17:27Z) - Dynamic Split Computing for Efficient Deep Edge Intelligence [78.4233915447056]
通信チャネルの状態に基づいて最適な分割位置を動的に選択する動的分割計算を導入する。
本研究では,データレートとサーバ負荷が時間とともに変化するエッジコンピューティング環境において,動的スプリットコンピューティングが高速な推論を実現することを示す。
論文 参考訳（メタデータ） (2022-05-23T12:35:18Z) - Deep Serial Number: Computational Watermarking for DNN Intellectual
Property Protection [53.40245698216239]
DSN(Deep Serial Number)はディープニューラルネットワーク(DNN)に特化した透かしアルゴリズムである。
従来のソフトウェアIPの保護においてシリアル番号に着想を得て,DNNに埋め込まれたシリアル番号の最初の実装を提案する。
論文 参考訳（メタデータ） (2020-11-17T21:42:40Z) - Deep Time Delay Neural Network for Speech Enhancement with Full Data
Learning [60.20150317299749]
本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。
トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
論文 参考訳（メタデータ） (2020-11-11T06:32:37Z) - Scission: Performance-driven and Context-aware Cloud-Edge Distribution
of Deep Neural Networks [1.2949520455740093]
本稿では,対象とするデバイス,エッジ,クラウドリソースのセット上で,ディープニューラルネットワーク(DNN)の自動ベンチマークを行うツールであるScisionを提案する。
意思決定のアプローチは、ターゲットリソースのハードウェア機能を活用することによって、コンテキスト認識である。
Scissionのベンチマークのオーバーヘッドにより、リアルタイムではなく、定期的に運用上の変更に対応することができる。
論文 参考訳（メタデータ） (2020-08-08T13:39:57Z) - A Case For Adaptive Deep Neural Networks in Edge Computing [1.683310745678261]
本稿では,エッジコンピューティングにおいて適応型ディープニューラルネットワーク(DNN)が存在するかを検討する。
その結果,ネットワーク条件がCPUやメモリ関連動作条件よりもDNNの性能に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2020-08-04T20:23:50Z) - Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。
DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。
コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文 参考訳（メタデータ） (2020-06-30T14:56:05Z) - An Efficient Spiking Neural Network for Recognizing Gestures with a DVS
Camera on the Loihi Neuromorphic Processor [12.118084418840152]
Spiking Neural Networks(SNN)は、機械学習ベースのアプリケーションにおいて注目を浴びている。
本稿では,対応するディープニューラルネットワーク(DNN)とほぼ同じ精度のSNNの設計手法を示す。
我々のSNNは89.64%の分類精度を達成し、37のLoihiコアしか占有していない。
論文 参考訳（メタデータ） (2020-05-16T17:00:10Z) - CodNN -- Robust Neural Networks From Coded Classification [27.38642191854458]
ディープニューラルネットワーク(Deep Neural Networks、DNN)は、現在進行中の情報革命における革命的な力である。
DNNは、敵対的であろうとランダムであろうと、ノイズに非常に敏感である。
これは、DNNのハードウェア実装と、自律運転のような重要なアプリケーションへの展開において、根本的な課題となる。
提案手法により,DNNのデータ層あるいは内部層は誤り訂正符号で符号化され,ノイズ下での計算が成功することが保証される。
論文 参考訳（メタデータ） (2020-04-22T17:07:15Z) - Architecture Disentanglement for Deep Neural Networks [174.16176919145377]
ディープニューラルネットワーク(DNN)の内部動作を説明するために,ニューラルアーキテクチャ・ディコンタングルメント(NAD)を導入する。
NADは、訓練済みのDNNを独立したタスクに従ってサブアーキテクチャに切り離すことを学び、推論プロセスを記述する情報フローを形成する。
その結果、誤分類された画像は、タスクサブアーキテクチャーに正しいサブアーキテクチャーに割り当てられる確率が高いことが示された。
論文 参考訳（メタデータ） (2020-03-30T08:34:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。