PulseAugur
中
实时 10:38:04
English(EN) FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding

新的FEnc2框架提升私有AI推理效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FEnc$^2$，这是一个旨在显著提高使用全同态加密（FHE）进行私有推理效率的新框架。该方法通过同时考虑卷积运算和网络架构来统一数据打包，以优化密文利用率并减少计算开销。在常见的图像识别任务中，FEnc$^2$在GPU上实现了高达228倍的端到端延迟缩减，在CPU上实现了高达226倍的延迟缩减。 AI

影响 优化FHE以实现私有机器学习，可能促进更广泛的隐私保护AI应用的采用。

排序理由 该集群包含一篇详细介绍用于提高AI推理效率的新技术框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ran Ran, Zhaoting Gong, Nuo Xu, Yuanchao Xu, Fan Yao, Wujie Wen ·

    FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding

    arXiv:2606.16359v1 Announce Type: cross Abstract: Fully Homomorphic Encryption (FHE) enables privacy-preserving machine learning but incurs extreme computational and memory overhead. These costs come not only from expensive low-level primitives, including Number Theoretic Transfo…

相关实体

相关话题