面向LLM规模应用的隐私保留原语优化
密码学与安全
2025-09-30 v1 人工智能
机器学习
摘要
隐私保留技术已引发范式变革，使之在实际系统中实现可实现的安全计算。这些原语在规模应用时的计算和通信开销是其实际采纳的主要障碍。本文概述了我们 bridging 该开销与实际性之间的努力，以实现基于多方计算（MPC）、零知识证明（ZKPs）和全同态加密（FHE）的隐私保留学习系统。通过严谨的硬件/软件/算法协同设计，我们展示了向LLM规模应用迈进的进展。我们在多个情境中展示了所提出方案的有效性，包括深度神经网络知识产权保护、伦理LLM用途强制执行以及变换器推理。
引用
@article{arxiv.2509.25072,
title = {Optimizing Privacy-Preserving Primitives to Support LLM-Scale Applications},
author = {Yaman Jandali and Ruisi Zhang and Nojan Sheybani and Farinaz Koushanfar},
journal= {arXiv preprint arXiv:2509.25072},
year = {2025}
}