論文の概要: GenomeOcean Anywhere: Private WebGPU Inference for Genome MoEs
- arxiv url: http://arxiv.org/abs/2609.35882v1
- Date: Sun, 27 Sep 2026 00:21:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.878244
- Title: GenomeOcean Anywhere: Private WebGPU Inference for Genome MoEs
- Title（参考訳）: GenomeOcean Anywhere: Genome MoEsのためのプライベートWebGPU推論
- Abstract要約: 我々は、信頼されたコーディネータが注意を払ってルーティングを行うシステムを構築し、ブラウザワーカーはすべての専門家フィードフォワードネットワークを実行する。
プローブは、各深さで1つのベクトルからトークンを回収し、1人の作業員は、300個の未順序トークンから92%の精度でソースゲノムを識別できる。
Chromeでは、コード化されたデコーディングはトークンあたり220～376msで実行され、ルーティングのどれだけが隠されているかによって異なり、ワーカーが失敗してもレプリカなしで継続する。
- 参考スコア（独自算出の注目度）: 4.564848621539382
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Genome foundation models are most useful where sequences are generated, yet the largest models need datacenter accelerators and a place to send private DNA. We ask whether a 15-billion-parameter genome mixture-of-experts (MoE) model can instead run on volunteers' web browsers, with the experts spread across many untrusted devices, without changing its predictions and without revealing the sequence to any single device. We build a system in which a trusted coordinator runs attention and routing while browser workers run every expert feed-forward network through hand-written WebGPU kernels, and we protect the expert inputs with real-valued Lagrange coded computing: each worker receives only a Gaussian-padded share, computes the expert's linear maps, and the coordinator decodes from any two of three workers. On GenomeOcean-MoE (8 experts, top-2 routing, 24 layers), the browser path matches native llama.cpp at every quantization level, the distributed path stays at the BF16 numerical noise floor (KL 0.0036 nats per token), and an unfitted latency model predicts decode time within 0.74% (median) under emulated wide-area links. We first show that plaintext expert inputs are not private: a probe recovers the token from a single vector at every depth, and one worker can identify the source genome from 300 unordered tokens with 92% accuracy. With coded experts, an adaptive attacker trained on shares falls to the most-frequent-token baseline, one worker's information about each token is bounded below one bit per forward pass, and the fidelity cost stays below the BF16 noise floor; in Chrome, coded decoding runs at 220 to 376 ms per token, depending on how much of the routing is hidden, and continues without replicas when a worker fails.
- Abstract（参考訳）: ゲノム基盤モデルは配列が生成される場所で最も有用であるが、最大のモデルはデータセンターアクセラレーターとプライベートDNAを送る場所が必要である。
我々は、専門家が予測を変更することなく、単一のデバイスにシーケンスを公開することなく、専門家が多くの信頼できないデバイスにまたがって、ボランティアのWebブラウザ上で15ビリオンのゲノムミックス・オブ・エキスパート(MoE)モデルが実行できるかどうかを問う。
我々は,信頼されたコーディネータが注目とルーティングを行うシステムを構築し,ブラウザワーカが手書きのWebGPUカーネルを通じてすべての専門家フィードフォワードネットワークを実行し,実数値のラグランジュ符号化コンピューティングで専門家入力を保護する。
GenomeOcean-MoE (8専門家、トップ2ルーティング、24層)では、ブラウザパスは各量子化レベルでネイティブのllama.cppと一致し、分散パスはBF16数値ノイズフロア(トークンあたりのKL 0.0036ナット)に留まり、未適合の遅延モデルは、エミュレートされたワイドエリアリンクの下で0.74%(中間)のデコード時間を予測する。
プローブは、各深さで1つのベクトルからトークンを回収し、1人の作業員は、300個の未順序トークンから92%の精度でソースゲノムを識別できる。
コード付きエキスパートでは、共有に基づいてトレーニングされたアダプティブアタッカーが、最も頻繁なトークンベースラインに落ち、各トークンに関する情報はフォワードパス当たり1ビット以下に制限され、忠実度コストはBF16ノイズフロアの下にとどまる。Chromeでは、コード付きデコーディングは、1トークンあたり220～376msで実行され、ルーティングがどれだけ隠されているかに依存し、ワーカーが失敗してもレプリカなしで継続される。
関連論文リスト
- CipherGenome: Homomorphic Inference for Genomic Mixture-of-Experts [4.564848621539382]
CipherGenomeは、パラメータの95.8%である全てのエキスパートプロジェクションを、モジュール-LWE暗号化の下で信頼されず、おそらくは解決するサーバにアウトソースする。
12個の細菌ゲノムから72個の窓に、暗号はKL分散CIのトークン当たり2.54ドル10-4ドルナットを3.95ドル10-4ドルとして追加する。
再利用可能なパブリックヒントは、エンドツーエンドのレイテンシを3.54倍削減し、ワイヤ圧縮はトラフィックを6.8倍削減し、層ごとのブートストラップはルーティングリークを54.9%から8.9%に削減する。
論文 参考訳（メタデータ） (2026-09-27T00:26:27Z) - Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - Consensus-gated Multi-Agent Neural Architecture Search for Seismic Fault Segmentation [0.17188280334580194]
地震断層セグメンテーションのためのニューラルネットワークは、しばしばコンピュータビジョンや医療画像領域から借用される。
古典的ニューラルアーキテクチャサーチ(NAS)は手作りの検索スペースと大規模な計算予算に限定されている。
本稿では,3つの大規模言語モデル(Claude, GPT-5.1, Gemini2.5Pro)からなるエージェントNASシステムを提案する。
論文 参考訳（メタデータ） (2026-08-14T02:41:37Z) - Qwen-CUA: Native Computer Use for (almost) Everything [104.78368489343713]
本稿では,Qwen-CUAについて紹介する。
DOMツリー、アクセシビリティメタデータ、タスク固有のAPIなしで、スクリーンショットのみを観察し、キーボードやマウスのイベントを通じて動作します。
足場は最大20個のアクティブなスクリーンショットを保持し、最近の証拠を保持するために固定サイズのブロックで古い視覚履歴を折り畳む。
論文 参考訳（メタデータ） (2026-08-03T15:04:20Z) - Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明
2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。
同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
論文 参考訳（メタデータ） (2026-07-02T16:15:38Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - XFP: Quality-Targeted Adaptive Codebook Quantization with Sparse Outlier Separation for LLM Inference [0.0]
XFPはコードブックのサイズ、アウトリーチ予算、レイヤごとのパッケージを自動的に決定する。
XFPはワークステーションハードウェア上で128 tok/sのシングルストリームデコードに達する。
対象メモリエンベロープに収まらないモデルに対しては、H-Processを示す。
論文 参考訳（メタデータ） (2026-05-14T13:52:31Z) - Training Deep Boltzmann Networks with Sparse Ising Machines [5.048818298702389]
深層生成AIモデルをトレーニングすることにより,確率ビット(pビット)ベースのIsingマシンのための新しいアプリケーションドメインを示す。
スパース、非同期、および非常に並列なIsingマシンを使用して、ハイブリッド確率-古典計算設定でディープボルツマンネットワークを訓練する。
論文 参考訳（メタデータ） (2023-03-19T18:10:15Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z) - NeuraCrypt: Hiding Private Health Data via Random Neural Networks for
Public Training [64.54200987493573]
我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。
NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。
我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
論文 参考訳（メタデータ） (2021-06-04T13:42:21Z)
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。