December 8, 2025

LIME: Inferência Privada de Alto Desempenho com Modelo Leve e Criptografia em Lote

Key Points

O LIME alcança um método de inferência privada de alto desempenho aproveitando a criptografia homomórfica para melhor confidencialidade dos dados.
A integração das técnicas resulta em melhorias de até 2,1% e 8,4% na precisão em relação aos métodos existentes, com demandás computacionais reduzidas.
A avaliação nos modelos ResNet e VGG demonstra acelerações significativas de até 202,5× com poda mínima de modelos, aumentando a eficiência da IA.
A implementação sugere que a adoção de estruturas que preservam a privacidade pode reduzir efetivamente o consumo de energia e apoiar objetivos de sustentabilidade.

Abstract

O ritmo acelerado das técnicas de inteligência artificial (IA) e aprendizado de máquina tornou necessário o desenvolvimento de modelos em larga escala que dependem de data centers energeticamente intensivos, levantando assim questões sobre a sustentabilidade ambiental. Simultaneamente, a crescente importância dos direitos de privacidade levou ao surgimento de tecnologias de Aprendizado de Máquina com Preservação de Privacidade (PPML), que visam garantir a confidencialidade dos dados. Embora a criptografia homomórfica (HE) facilite cálculos em dados criptografados, ela envolve custos computacionais consideráveis e desafios, que impedem o uso eficaz de aplicações que aumentam a privacidade em modelos grandes. Para criar um mundo de IA mais sustentável e seguro, propomos o LIME, uma solução PPML baseada em HE pura, integrando duas técnicas: empacotamento de canal por slot elemento a elemento (ECSP) e poda de canais em potências de dois (PCP). O ECSP utiliza slots abundantes para empacotar várias amostras dentro de ciphertexts, facilitando a inferência em lote. O PCP poda os canais das camadas convolucionais por potências de dois, reduzindo assim as demandas computacionais e melhorando as capacidades de empacotamento dos modelos podados. Além disso, implementamos o bloco ReLU-antes-adição no ResNet para mitigar a degradação da precisão causada por aproximações com polinômios quadráticos. Avaliamos o LIME usando ResNet-20 no CIFAR-10, VGG-11 no CIFAR-100 e ResNet-18 no Tiny-ImageNet. Usando os modelos originais, o LIME atinge melhorias de precisão de até 2,1% e 8,4% sobre os métodos de Lee et al. (IEEE ACCESS’21) e AESPA (arXiv: 2201. 06699), que utilizam aproximações ReLU de polinômios de alto e baixo grau, respectivamente. Mesmo com 75% de poda de parâmetros, o LIME mantém precisão superior à da AESPA. Com o ORION (ASPLOS ’25) como backend de convolução e avaliando nos modelos originais, o LIME alcança acelerações de 41,5 \ (\) e 8 \ (\) sobre o ORION integrado com Lee et al. e AESPA, respectivamente. Para modelos podados em 90%, essas acelerações aumentam para 202,5 \ (\) e 35,1 \ (\), respectivamente.

Perguntar à IA

Bookmark

View Full Paper