Salted推理：在移动计算中增强split inference隐私并维持效率

在split inference中，深度神经网络（DNN）被分割以在边缘运行DNN的前部、在云端运行DNN的后部。这满足了设备端机器学习的两个关键要求：输入隐私与计算效率。然而，split inference中一个开放问题是输出隐私，因为DNN的输出在云端可见。尽管加密计算也能保护输出隐私，同态加密需要边缘与云端设备大量的计算与通信资源。本文中，我们引入Salted DNN：一种使运行DNN前部的边缘客户端能在推理时控制DNN输出语义解释的新方法。我们提出的Salted DNN保持了与标准DNN对应模型极为接近的分类准确率与计算效率。在图像与可穿戴传感器数据上的实验评估表明，Salted DNN达到了非常接近标准DNN的分类准确率，尤其是当Salted层置于前部以满足split inference要求时。我们的方法具有通用性，可应用于各类DNN。作为未来研究的基准，我们开源了代码。