HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption
यह शोध पत्र HE-LRM प्रस्तुत करता है, जो एक प्रदर्शन-अनुकूलित ढांचा है जो क्लाइंट-साइड डिजिट डिकंपोजिशन और मल्टी-एम्बेडिंग पैकिंग को पेश करके स्पार्स कैटेगोरिकल इनपुट्स की संचार और गणना संबंधी बाधाओं को दूर करता है, जिससे डीप लर्निंग रिकमेंडेशन मॉडल्स के लिए फुली होमोमोर्फिक एन्क्रिप्शन का उपयोग करके कुशल, एंड-टू-एंड एन्क्रिप्टेड इन्फरेंस सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक गुप्त रेसिपी को सुरक्षित रखने की कोशिश कर रहे हैं और साथ ही एक विशाल, सुपर-फास्ट रोबोट शेफ से उसे आपके लिए पकाने के लिए कह रहे हैं। आप नहीं चाहते कि रोबोट सामग्री (आपका निजी डेटा) देख सके, और रोबोट नहीं चाहता कि वह रेसिपी (कंपनी का गुप्त मॉडल) देख सके। आमतौर पर, गोपनीयता बनाए रखने के लिए, आपको सामग्रियों को एक तिजोरी में बंद करना होता है, उन्हें रोबोट के पास भेजना होता है, और फिर रोबोट द्वारा उन्हें खोलने, पकाने और वापस बंद करने का इंतज़ार करना होता है। लेकिन क्या होगा यदि आप रोबोट को एक बंद डिब्बा दे सकें, और रोबोट उस बंद डिब्बे के अंदर बिना उसे खोले वास्तव में खाना बना सके? यह फुल्ली होमोमोर्फिक एन्क्रिप्शन (FHE) का जादू है। यह एक विशेष किचन ग्लव (दस्ताने) की तरह है जो आपको सामग्री को एक सीलबंद, पारदर्शी बैग के अंदर रहते हुए भी मिलाने और काटने की अनुमति देता है। समस्या यह है कि यह "खाना बनाना" अविश्वसनीय रूप से धीमा और अनाड़ी है, खासकर जब रेसिपी में हजारों विकल्पों वाली एक विशाल, धूल भरी लाइब्रेरी से विशिष्ट सामग्रियों को खोजना शामिल हो। यही वह चुनौती है जिसका सामना रेकमेंडेशन मॉडल्स (Recommendation Models) कर रहे हैं, जो वे स्मार्ट एल्गोरिदम हैं जो तय करते हैं कि अगली फिल्म कौन सी देखनी है या अगला उत्पाद क्या खरीदना है। वे विशाल "एम्बेडिंग टेबल्स" (embedding tables) पर निर्भर करते हैं—विशाल सूचियाँ जो "पिज्जा" या "न्यूयॉर्क" जैसे सरल शब्दों को जटिल गणितीय कोड में बदल देती हैं। जब ये टेबल गुप्त बैग के अंदर बंद होते हैं, तो सही कोड खोजना धीमी, महंगी गणितीय गणनाओं का एक दुस्वप्न बन जाता है जिसमें घंटों लग सकते हैं।
यहाँ HE-LRM आता है, जो न्यूयॉर्क यूनिवर्सिटी और एलजी इलेक्ट्रॉनिक्स के शोधकर्ताओं द्वारा डिज़ाइन किया गया एक नया समाधान है ताकि इस गुप्त कुकिंग को बहुत तेज़ बनाया जा सके। पुराने तरीके से एक गुप्त लाइब्रेरी में किसी वस्तु को खोजने के विचार को एक विशिष्ट पुस्तक को खोजने के प्रयास के रूप में देखें, जहाँ आपको हर एक शेल्फ को एक-एक करके चेक करना पड़ता है, भले ही आपको केवल एक ही पुस्तक की आवश्यकता हो। यह धीमा है और बहुत अधिक ऊर्जा बर्बाद करता है। शोधकर्ताओं ने महसूस किया कि पूरी लाइब्रेरी को चेक करने के बजाय, आप पुस्तक के कॉल नंबर को छोटे, सरल अंकों में तोड़ सकते हैं (जैसे "14" को "1" और "4" में तोड़ना) और उन अंकों का उपयोग सीधे सही स्थान पर पहुँचने के लिए कर सकते हैं। इसे वे डिजिट डिकंपोजिशन (digit decomposition) कहते हैं। सर्वर साइड पर भारी काम करने से बचने के लिए, वे अनुरोध भेजने से पहले क्लाइंट की ओर से (आपकी ओर से) यह गणित करते हैं।
इसके अलावा, उन्होंने कई अलग-अलग लाइब्रेरी को एक विशाल, व्यवस्थित गोदाम में पैक करने का तरीका भी खोज निकाला है। हर एक श्रेणी (जैसे "मूवीज़", "लोकेशन्स" और "एजेस") के लिए अलग अनुरोध भेजने के बजाय, वे सभी लुकअप टेबल्स को एक ही विशाल ग्रिड में तिरछा (diagonally) स्टैक करते हैं। यह रोबोट शेफ को दर्जनों छोटी यात्राओं के बजाय एक ही विशाल, समानांतर स्कूप (parallel scoop) में सभी आवश्यक सामग्रियाँ उठाने की अनुमति देता है। परिणाम एक ऐसा सिस्टम है जो पिछले प्रयासों की तुलना में नाटकीय रूप से तेज़ है। एक मानक कंप्यूटर प्रोसेसर पर, वे एक स्वास्थ्य भविष्यवाणी कार्य के लिए लगभग 24 सेकंड में और एक जटिल मूवी रेकमेंडेशन कार्य के लिए 228 से 489 सेकंड के बीच एक पूर्ण प्राइवेट रेकमेंडेशन चलाने में सफल रहे। हालाँकि ये समय आपके फोन पर रीयल-टाइम ऐप के लिए अभी भी बहुत लंबा है, लेकिन शोधकर्ताओं ने दिखाया कि यदि आप विशेष, सुपर-फास्ट कंप्यूटर चिप्स (GPUs या ASICs) का उपयोग करते हैं जो इस विशिष्ट प्रकार के गणित के लिए डिज़ाइन किए गए हैं, तो समय घटकर कुछ सेकंड या एक सेकंड से भी कम हो सकता है। यह सुझाव देता है कि निकट भविष्य में, हम अंततः अपने निजी डेटा को क्लाउड को सौंपे बिना व्यक्तिगत सिफारिशें प्राप्त करने में सक्षम हो सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।