Sphynx：面向隐私推理的ReLU高效网络设计
密码学与安全
2022-11-08 v1 机器学习
摘要
深度学习的兴起伴随着围绕用户数据与服务商模型的隐私担忧。我们关注隐私推理（PI），其目标是在使用服务商模型对用户数据样本进行推理的同时保护隐私。现有的深度网络PI方法可实现加密安全推理且功能损失极小；然而它们带来了严重的延迟开销，主要由非线性网络操作（如ReLUs）引起。本文提出Sphynx，一种基于微搜索策略进行卷积单元设计的ReLU高效网络设计方法。Sphynx在CIFAR-100上对所有现有隐私推理方法实现了帕累托占优。我们还设计了支持在Tiny-ImageNet与ImageNet上进行加密隐私推理的大规模网络。
引用
@article{arxiv.2106.11755,
title = {Sphynx: ReLU-Efficient Network Design for Private Inference},
author = {Minsu Cho and Zahra Ghodsi and Brandon Reagen and Siddharth Garg and Chinmay Hegde},
journal= {arXiv preprint arXiv:2106.11755},
year = {2022}
}