On Achieving Privacy-Preserving State-of-the-Art Edge Intelligence

要約

エッジ コンピューティングにおけるディープ ニューラル ネットワーク (DNN) 推論 (エッジ インテリジェンスとも呼ばれます) には、機密データの機密性と知的財産がプロセスで明らかにされないようにするためのソリューションが必要です。
Machine-Learning-as-a-Service のコンテキストとして Edge Computing の普及が進んでいるにもかかわらず、プライバシーを保護する Edge Intelligence は出現したばかりです。
ソリューションはまだ適用されておらず、最先端の DNN に適用される可能性もあります。
このポジション ペーパーは、プライバシーを保護する DNN 推論の既存の手法とエッジ コンピューティング セットアップの特性との互換性に関する独自の評価を提供し、このコンテキストにおける秘密共有の適切性を強調しています。
次に、最先端のパフォーマンスを備えた DNN での秘密分散に向けた研究におけるモデル圧縮方法の将来の役割に取り組みます。

要約(オリジナル)

Deep Neural Network (DNN) Inference in Edge Computing, often called Edge Intelligence, requires solutions to insure that sensitive data confidentiality and intellectual property are not revealed in the process. Privacy-preserving Edge Intelligence is only emerging, despite the growing prevalence of Edge Computing as a context of Machine-Learning-as-a-Service. Solutions are yet to be applied, and possibly adapted, to state-of-the-art DNNs. This position paper provides an original assessment of the compatibility of existing techniques for privacy-preserving DNN Inference with the characteristics of an Edge Computing setup, highlighting the appropriateness of secret sharing in this context. We then address the future role of model compression methods in the research towards secret sharing on DNNs with state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google