כתבה
arXiv cs.AI ·
HEAT: תהליך חדש להפחתת זמן עבור פענוח חומרה-מלא: התאמה-כיווץ של גודל-משקל
HEAT: Faster Fully Homomorphic Inference via Approximations-Weights Co-Adaptation
מחקר חדש מציע תהליך להפחתת זמן עבור פענוח חומרה-מלא. התהליך, HEAT, משתמש בהתאמה-כיווץ של גודל-משקל כדי להפחית את מספר הפענוחים הדרושים. התהליך נבחן על גופן-2 והתוצאות היו טובות.
תקציר מקורי באנגליתarXiv:2609.01730v2 Announce Type: replace-cross Abstract: Fully homomorphic encryption (FHE) allows a server to run a language model directly on encrypted user prompts, but current approaches remain prohibitively slow. Ciphertexts natively support only addition, multiplication, and rotation, and multiplications may be composed only to a bounded depth before a costly bootstrapping operation is required to continue. Every nonlinearity must therefore be approximated by an iterative method; each iteration increasing the number of multiplications. A higher iteration count buys precision but exhausts the available depth more frequently and thus triggers more bootstraps, which dominate latency. We introduce Homomorphic Encryption-Aware Training (HEAT), a fine-tuning method that makes the per-nonl
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית