論文の概要: \texttt{Range-Arithmetic}: Verifiable Deep Learning Inference on an Untrusted Party

• arxiv url: http://arxiv.org/abs/2505.17623v1
• Date: Fri, 23 May 2025 08:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.930105
• Title: \texttt{Range-Arithmetic}: Verifiable Deep Learning Inference on an Untrusted Party
• Title（参考訳）: \texttt{Range-Arithmetic}:信頼できない者に対する検証可能な深層学習推論
• Authors: Ali Rahimi, Babak H. Khalaj, Mohammad Ali Maddah-Ali,
• Abstract要約: textttRange-Arithmeticは、非算術演算をsum-checkプロトコルとMatrixd Rangeを使って検証可能なステップに変換する。 提案手法は,既存手法の性能に適合するだけでなく,計算コストの低減も図っている。
• 参考スコア（独自算出の注目度）: 14.282969274113066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Verifiable computing (VC) has gained prominence in decentralized machine learning systems, where resource-intensive tasks like deep neural network (DNN) inference are offloaded to external participants due to blockchain limitations. This creates a need to verify the correctness of outsourced computations without re-execution. We propose \texttt{Range-Arithmetic}, a novel framework for efficient and verifiable DNN inference that transforms non-arithmetic operations, such as rounding after fixed-point matrix multiplication and ReLU, into arithmetic steps verifiable using sum-check protocols and concatenated range proofs. Our approach avoids the complexity of Boolean encoding, high-degree polynomials, and large lookup tables while remaining compatible with finite-field-based proof systems. Experimental results show that our method not only matches the performance of existing approaches, but also reduces the computational cost of verifying the results, the computational effort required from the untrusted party performing the DNN inference, and the communication overhead between the two sides.
• Abstract（参考訳）: 分散機械学習システムでは、ブロックチェーンの制限により、ディープニューラルネットワーク(DNN)推論のようなリソース集約的なタスクが外部参加者にオフロードされる。 これにより、再実行せずにアウトソースされた計算の正しさを検証する必要がある。 本稿では,固定点行列乗算およびReLU後の丸めなどの非算術演算を,和チェックプロトコルと連結範囲証明を用いて検証可能な算術ステップに変換する,効率的かつ検証可能なDNN推論のための新しいフレームワークである‘texttt{Range-Arithmetic} を提案する。 提案手法は,有限フィールド型証明システムとの互換性を維持しつつ,ブール符号化,高次多項式,および大型ルックアップテーブルの複雑さを回避する。 実験の結果,提案手法は既存手法の性能に適合するだけでなく,その検証に要する計算コスト,DNN推論を行う不信任者からの計算労力,両面間の通信オーバーヘッドを低減できることがわかった。

関連論文リスト

• Robust Communication and Computation using Deep Learning via Joint Uncertainty Injection [15.684142238738797]
  コミュニケーションと計算の収束と機械学習と人工知能の統合は、第6世代通信システム(6G)の鍵となる力となる。 本稿では,空間多重化を用いた複数のデバイスを同時に運用する1つの基地局のネットワークについて考察する。 そこで本稿では,チャネル情報と計算状態情報の両面での不確実性の中で,通信と計算機のパワーを同時に管理する,革新的なディープラーニングベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-05T18:00:09Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural Networks [94.63547069706459]
  #DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。 違反の正確な数を返す新しい手法を提案する。 安全クリティカルなベンチマークのセットに関する実験結果を示す。
  論文  参考訳（メタデータ） (2023-01-17T18:32:01Z)
• REx: Data-Free Residual Quantization Error Expansion [32.87131159997359]
  ディープニューラルネットワーク(DNN)はコンピュータビジョンや自然言語処理においてユビキタスであるが、高い推論コストに悩まされている。 プライバシの権利に関する懸念が高まる中、私たちはデータフリーな方法に注力しています。 本稿では,残差展開とグループ間隔,アンサンブル近似を併用した並列化手法RExを提案する。
  論文  参考訳（メタデータ） (2022-03-28T11:04:45Z)
• Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
  ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。 ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。 本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T08:19:48Z)
• Berrut Approximated Coded Computing: Straggler Resistance Beyond Polynomial Computing [34.69732430310801]
  本稿では,ストラグラー効果に対処する代替手法として,Berrut Approximated Coded Computing (BACC)を提案する。 BACCは計算複雑性が低い数値的に安定であることが証明されている。 特に、BACCは、サーバのクラスタ上でディープニューラルネットワークをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2020-09-17T14:23:38Z)
• Making Convolutions Resilient via Algorithm-Based Error Detection Techniques [2.696566807900575]
  畳み込みニューラルネットワーク(CNN)はリアルタイムテレメトリを正確に処理する。 CNNはハードウェア障害がある場合、正しく実行しなければならない。 完全な重複は必要な保証を提供するが、100%オーバーヘッドを引き起こす。
  論文  参考訳（メタデータ） (2020-06-08T23:17:57Z)
• Efficient Computation Reduction in Bayesian Neural Networks Through Feature Decomposition and Memorization [10.182119276564643]
  本稿では,計算コストを削減するため,効率的なBNN推論フローを提案する。 計算の約半分は従来の手法と比べて取り除くことができる。 We implement our approach in Verilog and synthesise it with 45 $nm$ FreePDK technology。
  論文  参考訳（メタデータ） (2020-05-08T05:03:04Z)

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。