AdaPI: 促进边缘计算中深度神经网络模型可适应性的高效隐私推理
机器学习
2024-07-09 v1 密码学与安全
摘要
隐私推理 (PI) 作为一种前景广阔的解决方案，旨在执行加密数据的计算，保护边缘计算中的用户隐私和模型参数。然而，现有 PI 方法主要针对固定资源约束设计，忽视了像能源预算等多样化且动态的边缘设备资源约束。因此，模型提供方不得不为不同设备设计专用模型，而所有模型都必须存储在边缘服务器上，导致部署效率低下。为填补这一空白，本工作提出 AdaPI，一种新颖方法，通过允许模型在具有多样化能源预算的边缘设备上表现良好，实现自适应 PI。AdaPI 采用 PI 感知的训练策略，在优化模型权重的同时，优化权重级和特征级软掩码。这些软掩码随后被转换为多个二进制掩码，以启用通信和计算工作量的调整。通过逐步训练模型并逐渐增加稠密二进制掩码，AdaPI 在给定能源预算下实现最佳准确率，在 CIFAR-100 数据集上的测试准确率比当前最先进的 PI 方法提高了 7.3%。AdaPI 的代码可通过 https://github.com/jiahuiiiiii/AdaPI 获取。
引用
@article{arxiv.2407.05633,
title = {AdaPI: Facilitating DNN Model Adaptivity for Efficient Private Inference in Edge Computing},
author = {Tong Zhou and Jiahui Zhao and Yukui Luo and Xi Xie and Wujie Wen and Caiwen Ding and Xiaolin Xu},
journal= {arXiv preprint arXiv:2407.05633},
year = {2024}
}
备注
ICCAD 2024 accepted publication