論文の概要: Beyond Latency: A System-Level Characterization of MPC and FHE for PPML
- arxiv url: http://arxiv.org/abs/2604.00169v1
- Date: Tue, 31 Mar 2026 19:18:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.689788
- Title: Beyond Latency: A System-Level Characterization of MPC and FHE for PPML
- Title（参考訳）: Beyond Latency: PPML用のMPCとFHEのシステムレベルキャラクタリゼーション
- Authors: Pengzhi Huang, Kiwan Maeng, G. Edward Suh,
- Abstract要約: プライバシ保護機械学習における3つの一般的なアプローチを統一的に評価する。
LANおよびWAN環境,モデルサイズ,バッチサイズ,入力シーケンスの長さなどについて検討する。
我々は、これらのプライバシ保護コンピューティングパラダイムを選択し、最適化し、デプロイするための実証的なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 13.229663073793867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy protection has become an increasing concern in modern machine learning applications. Privacy-preserving machine learning (PPML) has attracted growing research attention, with approaches such as secure multiparty computation (MPC) and fully homomorphic encryption (FHE) being actively explored. However, existing evaluations of these approaches have frequently been done on a narrow, fragmented setup and only focused on a specific performance metric, such as the online inference latency of a specific batch size. From the existing reports, it is hard to compare different approaches, especially when considering other metrics like energy/cost or broader system setups (various hyperparameters, offline overheads, future hardware/network configurations, etc.). We present a unified characterization of three popular approaches -- two variants of MPC based on arithmetic/binary sharing conversion and function secret sharing, and FHE -- on their performance and cost in performing privacy-preserving inference on multiple CNN and Transformer models. We study a range of LAN and WAN environments, model sizes, batch sizes, and input sequence lengths. We evaluate not only the performance but also the energy consumption and monetary cost of deploying under a realistic scenario, taking into account their offline and online computation/communication overheads. We provide empirical guidance for selecting, optimizing, and deploying these privacy-preserving compute paradigms, and outline how evolving hardware and network trends are likely to shift trade-offs between the two MPC schemes and FHE. This work provides system-level insights for researchers and practitioners who seek to understand or accelerate PPML workloads.
- Abstract（参考訳）: 現代の機械学習アプリケーションでは、プライバシ保護が懸念されている。
プライバシ保存機械学習(PPML)は、セキュアなマルチパーティ計算(MPC)や完全同型暗号化(FHE)など、研究の注目を集めている。
しかしながら、これらのアプローチの既存の評価は、狭く断片化された設定で行われ、特定のバッチサイズのオンライン推論遅延など、特定のパフォーマンス指標のみに焦点を当てている。
既存のレポートから見ると、特にエネルギー/コストやより広範なシステム設定(様々なハイパーパラメータ、オフラインオーバーヘッド、将来のハードウェア/ネットワーク構成など)など、さまざまなアプローチを比較するのは難しいです。
演算/バイナリ共有変換と関数秘密共有に基づく2種類のMPCと、複数のCNNおよびTransformerモデルでプライバシ保存推論を行う際の性能とコストに関するFHEの3つの一般的なアプローチを統一的に評価する。
LANおよびWAN環境,モデルサイズ,バッチサイズ,入力シーケンスの長さなどについて検討する。
オフラインおよびオンラインの計算/通信のオーバーヘッドを考慮し、現実的なシナリオ下でのデプロイの性能だけでなく、エネルギー消費や金銭的コストも評価する。
我々は、これらのプライバシ保護コンピューティングパラダイムを選択し、最適化し、デプロイするための実証的なガイダンスを提供し、進化するハードウェアとネットワークのトレンドが、2つのMPCスキームとFHEの間のトレードオフをいかにシフトするかを概説する。
この研究は、PPMLワークロードを理解し、加速しようとする研究者や実践者に対して、システムレベルの洞察を提供する。
関連論文リスト
- A Systematic Survey of Model Extraction Attacks and Defenses: State-of-the-Art and Perspectives [65.3369988566853]
近年の研究では、敵が対象モデルの機能を複製できることが示されている。
モデル抽出攻撃は知的財産権、プライバシー、システムのセキュリティに脅威をもたらす。
本稿では,攻撃機構,防衛手法,計算環境に応じてMEAを分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2025-08-20T19:49:59Z) - Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。
圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。
その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
論文 参考訳（メタデータ） (2025-03-17T08:37:22Z) - PLM: Efficient Peripheral Language Models Hardware-Co-Designed for Ubiquitous Computing [48.30406812516552]
我々は、モデルアーキテクチャとエッジシステムの制約を協調的に最適化する共同設計プロセスを通じて開発された、周辺言語モデルであるPLMを紹介する。
PLMはMulti-head Latent Attentionメカニズムを採用し、正方形ReLUアクティベーション機能を採用してスパーシティを促進し、ピークメモリフットプリントを減少させる。
評価の結果, PLMは, 公開されているデータに基づいて訓練された既存の小言語モデルよりも優れていた。
論文 参考訳（メタデータ） (2025-03-15T15:11:17Z) - FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。
FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-15T16:45:16Z) - 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) - Fast and Private Inference of Deep Neural Networks by Co-designing Activation Functions [26.125340303868335]
現在のアプローチは大きな推論時間に悩まされている。
推論モデルと精度を競合させる新しいトレーニングアルゴリズムを提案する。
我々の評価では、最大2300万のパラメータを持つ大規模モデルにおいて、推論時間の3ドルから110倍のスピードアップが示されています。
論文 参考訳（メタデータ） (2023-06-14T14:38:25Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - MPC-Pipe: an Efficient Pipeline Scheme for Secure Multi-party Machine Learning Inference [5.7203077366666015]
重なり合う計算と通信の手順を慎重に整理することは可能であることを示す。
MPC-Pipeは機械学習ワークロードのトレーニングと推論の両方に効率的なMPCシステムである。
論文 参考訳（メタデータ） (2022-09-27T19:16:26Z) - MPCLeague: Robust MPC Platform for Privacy-Preserving Machine Learning [5.203329540700177]
この論文は、2、3、4パーティで効率的なMPCフレームワークを設計することに焦点を当て、少なくとも1つの汚職とリング構造をサポートする。
それぞれのフレームワークに対して2つのバリエーションを提案し、一方は実行時間を最小化し、もう一方は金銭的コストに焦点を当てる。
論文 参考訳（メタデータ） (2021-12-26T09:25:32Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。