Fugu-MT 論文翻訳(概要): CipherDM: Secure Three-Party Inference for Diffusion Model Sampling

論文の概要: CipherDM: Secure Three-Party Inference for Diffusion Model Sampling

arxiv url: http://arxiv.org/abs/2409.05414v1
Date: Mon, 9 Sep 2024 08:16:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 15:20:29.176579
Title: CipherDM: Secure Three-Party Inference for Diffusion Model Sampling
Title（参考訳）: CipherDM:拡散モデルサンプリングのためのセキュアな3要素推論
Authors: Xin Zhao, Xiaojun Chen, Xudong Chen, He Li, Tingyu Fan, Zhendong Zhao,
Abstract要約: 拡散モデル(DM)は画像生成において最先端の合成結果を達成し,様々な分野に適用してきた。 DMは使用中のユーザーのプライバシーを著しく侵害することがあるため、プライバシーの保護は緊急の問題となる。安全なサンプリングのためにMPC技術をDMに適用した最初の新規で汎用的で普遍的なフレームワークであるCipherDMを提案する。
参考スコア（独自算出の注目度）: 9.04003853685861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion Models (DMs) achieve state-of-the-art synthesis results in image generation and have been applied to various fields. However, DMs sometimes seriously violate user privacy during usage, making the protection of privacy an urgent issue. Using traditional privacy computing schemes like Secure Multi-Party Computation (MPC) directly in DMs faces significant computation and communication challenges. To address these issues, we propose CipherDM, the first novel, versatile and universal framework applying MPC technology to DMs for secure sampling, which can be widely implemented on multiple DM based tasks. We thoroughly analyze sampling latency breakdown, find time-consuming parts and design corresponding secure MPC protocols for computing nonlinear activations including SoftMax, SiLU and Mish. CipherDM is evaluated on popular architectures (DDPM, DDIM) using MNIST dataset and on SD deployed by diffusers. Compared to direct implementation on SPU, our approach improves running time by approximately 1.084\times \sim 2.328\times, and reduces communication costs by approximately 1.212\times \sim 1.791\times.
Abstract（参考訳）: 拡散モデル(DM)は画像生成において最先端の合成結果を達成し,様々な分野に適用してきた。しかし、DMは使用中のユーザーのプライバシーを著しく侵害することがあるため、プライバシーの保護は緊急の問題となる。セキュアなマルチパーティ計算(MPC)などの従来のプライバシコンピューティングスキームをDMに直接使用することは、計算と通信の重大な課題に直面している。これらの課題に対処するため、安全サンプリングのためにMDC技術を適用した最初の新規で汎用的で普遍的なフレームワークであるCipherDMを提案し、複数のDMベースのタスクで広く実装できる。我々は、サンプリング遅延の分解、時間を要する部分の発見、およびSoftMax、SiLU、Mishなどの非線形アクティベーションを演算するためのセキュアなMPCプロトコルの設計を徹底的に分析する。 CipherDMは、MNISTデータセットを使用して人気のあるアーキテクチャ(DDPM、DDIM)とディフューザによってデプロイされたSDで評価される。 SPUの直接実装と比較して、我々の手法は実行時間を約1.084\times \sim 2.328\timesで改善し、通信コストを約1.212\times \sim 1.791\timesで削減する。

関連論文リスト

MU-MAE: Multimodal Masked Autoencoders-Based One-Shot Learning [3.520960737058199]
マルチモーダルマスクオートエンコに基づくワンショット学習(Mu-MAE)を紹介する。 Mu-MAEは、マルチモーダルマスク付きオートエンコーダと、ウェアラブルセンサー用に調整された同期マスク戦略を統合している。追加データを用いることなく、最大80.17%の精度で5方向のワンショット・マルチモーダル分類を実現している。
論文参考訳（メタデータ） (2024-08-08T06:16:00Z)
Low-Latency Privacy-Preserving Deep Learning Design via Secure MPC [31.35072624488929]
セキュアなマルチパーティ計算(MPC)は、プライベート情報をリークすることなく、複数のパーティ間のプライバシ保護計算を容易にする。本研究は、MPCプロトコルの実行中に不要な通信ラウンドを減らす、低レイテンシな秘密共有ベースのMPC設計を提案する。
論文参考訳（メタデータ） (2024-07-24T07:01:21Z)
PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
論文参考訳（メタデータ） (2024-07-12T03:18:08Z)
PermLLM: Private Inference of Large Language Models within 3 Seconds under WAN [19.014325509263536]
ChatGPTは、大きな言語モデル(LLM)時代の到来を示す。 PermLLM は ChatGLM-6B モデルを約3s/token の速度で2パーティのプライベート推論を行う。
論文参考訳（メタデータ） (2024-05-29T04:06:50Z)
Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
論文参考訳（メタデータ） (2023-09-03T19:24:34Z)
Deep Reinforcement Learning for Uplink Scheduling in NOMA-URLLC Networks [7.182684187774442]
本稿では,無線ネットワークにおけるURLLC(Ultra Reliable Low Communications)の問題に対処する。本稿では,厳密な期限を含む非直交多重アクセス(NOMA)アップリンクURLLCスケジューリング問題を解くために,DRL(Deep Reinforcement Learning)スケジューリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-28T12:18:02Z)
UniPC: A Unified Predictor-Corrector Framework for Fast Sampling of Diffusion Models [92.43617471204963]
拡散確率モデル(DPM)は高分解能画像合成において非常に有望な能力を示した。我々は既存のDPMサンプリング器の後に適用可能な統一補正器(UniC)を開発し、精度を向上する。そこで我々は,DPMの高速サンプリングのためのUniPCと呼ばれる統合予測器・相関器フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-09T18:59:48Z)
Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文参考訳（メタデータ） (2022-09-30T03:40:10Z)
Private, Efficient, and Accurate: Protecting Models Trained by Multi-party Learning with Differential Privacy [8.8480262507008]
セキュアなDPSGDプロトコルと2つの最適化手法からなるPEA(Private, Efficient, Accurate)を提案する。 TF-Encrypted と Queqiao の2つのオープンソース MPL フレームワークで PEA を実装しています。 PEAはLAN設定下7分以内でCIFAR-10の精度88%の差分プライベート分類モデルを訓練できることを示した。
論文参考訳（メタデータ） (2022-08-18T06:48:25Z)
Semi-Markov Offline Reinforcement Learning for Healthcare [57.15307499843254]
本稿では,SDQN,SDDQN,SBCQという3つのオフラインRLアルゴリズムを紹介する。変動時間環境において,これらのアルゴリズムのみが最適ポリシーを学習できることを実験的に実証した。我々は,脳卒中予防のためのウォーファリン投与に関連する実世界のオフラインデータセットに,我々の新しいアルゴリズムを適用した。
論文参考訳（メタデータ） (2022-03-17T14:51:21Z)
P-STMO: Pre-Trained Spatial Temporal Many-to-One Model for 3D Human Pose Estimation [78.83305967085413]
本稿では,2次元から3次元のポーズ推定作業のためのP-STMOモデルを提案する。提案手法は,パラメータが少なく,計算オーバーヘッドが少なく,最先端の手法より優れている。
論文参考訳（メタデータ） (2022-03-15T04:00:59Z)

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。