HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption
Cet article présente HE-LRM, un cadre optimisé en termes de performance qui permet une inférence chiffrée de bout en bout efficace pour les modèles de recommandation d'apprentissage profond en utilisant le chiffrement totalement homomorphe, en introduisant la décomposition de chiffres côté client et le regroupement de multi-embeddings pour surmonter les goulots d'étranglement de communication et de calcul des entrées catégorielles éparses.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de protéger une recette secrète tout en demandant à un robot chef géant et super rapide de cuisiner pour vous. Vous ne voulez pas que le robot voie les ingrédients (vos données privées), et le robot ne veut pas voir la recette (le modèle secret de l'entreprise). Habituellement, pour garder un secret, vous devez verrouiller les ingrédients dans un coffre, les envoyer au robot, attendre qu'il les déverrouille, cuisiner, puis les reverrouiller. Mais et si vous pouviez donner au robot une boîte verrouillée, et que le robot pouvait réellement cuisiner à l'intérieur de cette boîte verrouillée sans jamais l'ouvrir ? C'est la magie du Chiffrement Homomorphe Complet (FHE). C'est comme un gant de cuisine spécial qui vous permet de mélanger et de hacher les ingrédients alors qu'ils sont encore à l'intérieur d'un sac transparent et scellé. Le problème est que cette « cuisine » est incroyablement lente et maladroite, surtout lorsque la recette implique de rechercher des ingrédients spécifiques dans une immense bibliothèque poussiéreuse de milliers d'options. C'est le défi auquel sont confrontés les Modèles de Recommandation, ces algorithmes intelligents qui décident quel film regarder ou quel produit acheter ensuite. Ils reposent sur d'énormes « tables d'incorporation » (embedding tables) — de gigantesques listes qui transforment des mots simples comme « pizza » ou « New York » en codes mathématiques complexes. Lorsque ces tables sont enfermées dans le sac secret, trouver le bon code devient un cauchemar de calculs lents et coûteux qui peuvent prendre des heures.
Entrez en scène HE-LRM, une nouvelle solution conçue par des chercheurs de l'Université de New York et de LG Electronics pour rendre cette cuisine secrète beaucoup plus rapide. Pensez à l'ancienne méthode de recherche d'un article dans une bibliothèque secrète comme si vous essayiez de trouver un livre spécifique en vérifiant chaque étagère une par une, même si vous n'avez besoin que d'un seul livre. C'est lent et cela gaspille beaucoup d'énergie. Les chercheurs ont réalisé qu'au lieu de vérifier toute la bibliothèque, vous pouviez décomposer le numéro d'appel du livre en chiffres plus petits et plus simples (comme décomposer « 14 » en « 1 » et « 4 ») et utiliser ces chiffres pour sauter directement au bon endroit. Ils appellent cela la décomposition en chiffres (digit decomposition). En effectuant ce calcul du côté du client (votre côté) avant d'envoyer la requête, ils évitent le travail lourd et lent du côté du serveur.
De plus, ils ont trouvé comment regrouper plusieurs bibliothèques différentes dans un seul et même entrepôt géant et organisé. Au lieu d'envoyer une requête séparée pour chaque catégorie (comme « films », « lieux » et « âges »), ils empilent toutes les tables de recherche en diagonale dans une seule grille massive. Cela permet au robot chef de saisir tous les ingrédients nécessaires en une seule grande pelle parallèle plutôt que de faire des dizaines de petits trajets. Le résultat est un système nettement plus rapide que les tentatives précédentes. Sur un processeur d'ordinateur standard, ils ont réussi à exécuter une recommandation privée complète en environ 24 secondes pour une tâche de prédiction de santé et entre 228 et 489 secondes pour une tâche complexe de recommandation de films. Bien que ces temps soient encore trop longs pour une application en temps réel sur votre téléphone, les chercheurs ont montré que si vous utilisez des puces informatiques spéciales et super rapides (GPU ou ASIC) conçues spécifiquement pour ce type de calcul, le temps pourrait tomber à seulement quelques secondes ou même moins d'une seconde. Cela suggère que dans un avenir proche, nous pourrons enfin obtenir des recommandations personnalisées sans jamais avoir à remettre nos données privées au cloud.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.