Core Concepts
Compact는 복잡한 활성화 함수를 안전한 다자간 계산(MPC) 기법에 적용할 수 있는 분할 다항식 근사치를 생성합니다. Compact는 입력 밀도를 인식하여 정확도 손실을 최소화하면서도 계산 효율성을 높입니다.
Abstract
Compact는 복잡한 활성화 함수(AF)를 안전한 다자간 계산(MPC) 기법에 적용할 수 있는 분할 다항식 근사치를 생성합니다.
입력 밀도 인식: Compact는 입력 정규화로 인해 대부분의 입력이 0 근처에 집중되는 것을 관찰하고, 이를 근사 과정에 반영합니다. 이를 통해 정확도 손실을 최소화할 수 있습니다.
동적 최적화: Compact는 성능 오버헤드와 정확도 손실 간의 균형을 동적으로 조정하는 시뮬레이티드 어닐링 기반의 휴리스틱을 사용합니다. 이를 통해 복잡한 AF에 대한 효율적인 근사치를 생성할 수 있습니다.
모델 특화 최적화: Compact는 복잡한 AF의 특성을 활용하여 추가적인 최적화를 수행합니다. 이를 통해 기존 접근법 대비 2-5배 더 빠른 성능을 달성할 수 있습니다.
Compact는 복잡한 AF를 사용하는 심층 신경망 모델에 대한 안전한 추론을 가능하게 하며, 기존 접근법 대비 우수한 성능과 정확도를 제공합니다.
Stats
대부분의 정규화된 입력이 0 근처에 집중되어 있습니다.
복잡한 활성화 함수는 0 근처에서 높은 비선형성을 보입니다.
Quotes
"복잡한 활성화 함수는 기존 MPC 기법에 적합하지 않으며 비효율적입니다."
"입력 밀도를 고려하여 근사치를 생성하면 정확도 손실을 최소화할 수 있습니다."
"동적 최적화를 통해 성능 오버헤드와 정확도 손실의 균형을 찾을 수 있습니다."