ICMLMar, 2021

DeepReDuce: 快速私有推理的 ReLU 降维

PDF
TL;DR本文提出 DeepReDuce 以降低 ReLU 的总数，从而减少隐私神经推理的延迟时间，保持高精度。与私有推理的最新技术相比，DeepReDuce 在等 RELUs 数量的情况下提高了精度并将 RELUs 数量降低了 3.5％，同时提高了 3.5 倍的精度。
发现论文，激发创造
  • 学习线性化深度神经网络以实现安全高效的私有推理

    该研究提出了一种敏捷的训练方法 SENet，可在保持模型分类精度的同时大幅度减少 ReLU 神经元来降低由 ReLU 操作引起的延迟，从而提高隐私推断（PI）的效率与准确性。

    Jan, 2023

  • 选择性网络线性化用于高效私有推理

    提出了一个基于梯度优化的算法，通过 ReLU 感知优化在保证预测准确性的前提下，针对私有推理的瓶颈问题实现了可选择性地进行线性化，实验结果表明，相比现有研究，该算法在提升预测准确率（50K iso-ReLU）上可达到 4.25％，或者在保证预测准确性（70％）的前提下可减少 2.2 倍的运行时间，并在延迟 - 准确性空间中不断完善。

    Feb, 2022

  • AutoReP：快速私有网络推理的自动 ReLU 替换

    使用梯度下降法的 AutoReP 方法在私有推理任务中减少非线性运算的数量，提高推理准确性，同时引入分布感知多项式逼近 DaPa 来保持模型的表达能力。实验结果表明 AutoReP 方法在各项指标上明显优于当前最先进的方法，同时在 ImageNet 数据集上以 176.1 倍的减少 ReLU 操作次数的代价达到了 75.55% 的准确率。

    Aug, 2023

  • 模型变浅：联合学习降低非线性和深度以实现高效隐私推理

    本文介绍了一种深度学习优化方法，利用卷积块的 ReLU 敏感性，去除 ReLU 层并将其前后卷积层合并为一个浅层块，从而在不牺牲准确率的情况下，有效减少 ReLU 和线性操作，提高模型的性能及效率。

    Apr, 2023

  • Circa: 随机 ReLUs 用于私人深度学习

    本文提出了一种优化私有推断的方法，将 ReLU 算子重新表示为近似符号测试，并引入了一种新的截断方法，显著降低每个 ReLU 的成本，结果节省了存储和运行时间，同时不影响准确性。

    Jun, 2021

  • CryptoNAS：基于 ReLU 预算的私有推理

    本文提出了一种名为 CryptoNAS 的 NAS 方法，该方法适用于 PI，可以在给定的预算内最大化准确性。CryptoNAS 通过优化运算时 ReLU 等非线性操作的代价，同时尽量避免线性层，比现有技术可以提高 3.4% 的准确度和 2.4 倍的速度。

    Jun, 2020

  • 高效却稳健的私有推理的线性化模型

    RLNet 是一种鲁棒线性化网络，通过减少高延迟 ReLU 操作，在干净和受损图像上提高模型性能，从而在私有推理中提供改进的分类准确性，同时减少计算复杂度。

    Feb, 2024

  • 私有推理的线性化对群体准确率的不平等影响

    保障隐私保护推理的计算挑战是已知的，通过线性化神经网络激活函数中的目标部分可以显著减少运行时间，但可能导致对少数群体的准确性下降，我们提出了一种简单的细调方法来有效缓解这个问题。

    Feb, 2024

  • 使用背包优化保障神经网络安全

    研究提出了两种方法以加速安全推理技术，第一种方法取决于卷积计算中的 patch 尺寸选择，第二种方法是基于减少安全 ReLU 操作所需的比特比较数。

    Apr, 2023

  • 低延迟隐私保护推理

    该研究在机器学习应用到敏感数据时，结合同态加密技术和神经网络提供了两种解决方案，分别是提高深度和宽度相对较高的网络精度和降低网络推理的延迟时间以提供更好的隐私保障。这两种方案应用于几个计算机视觉任务，并获得了良好的效果。

    Dec, 2018