Hanieh Totonchi Asl, Ebrahim Nouri, Zhuoran Li, Danella Zhao · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27431 · open-access PDF
PPML (Privacy-preserving machine learning) cung cấp một con đường đầy hứa hẹn để đưa các dịch vụ AI mạnh mẽ đến giới hạn mà không phơi bày dữ liệu người dùng nhạy cảm. Tuy nhiên, việc triển khai thực tế của nó vẫn bị hạn chế bởi chi phí truyền thông, tính toán và di chuyển dữ liệu cao của tính toán đa bên an toàn (MPC), đặc biệt là trong quá trình kết luận phi tuyến tính. Hệ thống MPC hiện có thường tách sản xuất ngẫu nhiên liên quan đến đầu vào khỏi thực hiện trực tuyến, tạo ra áp lực bộ nhớ đáng kể để đệm dữ liệu mã hóa sử dụng một lần.
Machine translation (Meta M2M100); the English original follows.
Privacy-preserving machine learning (PPML) offers a promising path toward bringing powerful AI services to the edge without exposing sensitive user data. However, its practical deployment remains constrained by the high communication, computation, and data-movement costs of secure multi-party computation (MPC), particularly during nonlinear inference. Existing MPC systems typically decouple input-independent correlated randomness generation from online execution, creating substantial memory pressure to buffer single-use cryptographic data. Moreover, limited storage can force a stop-and-refill
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27431, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange