Core Concepts
동형 암호화 기반 수직 연합 학습은 데이터 팽창과 시간 소모적인 연산으로 인해 심각한 효율성 문제를 겪고 있다. 이를 해결하기 위해 PackVFL은 패킹된 동형 암호화를 활용하여 기존 동형 암호화 기반 수직 연합 학습 알고리즘의 성능을 크게 향상시킨다.
Abstract
본 논문은 동형 암호화 기반 수직 연합 학습의 효율성 문제를 해결하기 위해 PackVFL이라는 효율적인 수직 연합 학습 프레임워크를 제안한다. PackVFL은 패킹된 동형 암호화(PackedHE)를 활용하여 데이터 팽창 문제를 해결하고 병렬 연산을 지원한다.
특히 PackVFL은 행렬 곱셈(MatMult) 연산의 효율성 향상에 초점을 맞춘다. MatMult는 동형 암호화 기반 수직 연합 학습 과정에서 가장 많은 시간을 차지하는 연산이다. PackVFL은 MatMult 연산을 위한 새로운 하이브리드 방법을 제안한다. 이 방법은 수직 연합 학습의 특성을 고려하여 설계되었으며, 기존 최신 방법들에 비해 이론적, 실험적으로 우수한 성능을 보인다.
또한 PackVFL은 대표적인 동형 암호화 기반 수직 연합 학습 알고리즘인 VFL-LinR, CAESAR, VFL-NN에 적응적으로 적용되어 추가적인 성능 향상을 달성한다. 실험 결과, PackVFL은 기존 동형 암호화 기반 수직 연합 학습 알고리즘 대비 최대 51.52배의 성능 향상을 보였다.
Stats
배치 크기가 2일 때, 암호화 연산이 전체 시간의 10.14%를 차지하며 이 중 MatMult가 75.47%를 차지한다.
배치 크기가 2048일 때, 암호화 연산이 전체 시간의 99.23%를 차지하며 이 중 MatMult가 99.98%를 차지한다.
Quotes
"동형 암호화 기반 수직 연합 학습은 심각한 효율성 문제를 겪고 있다."
"MatMult는 동형 암호화 기반 수직 연합 학습 과정에서 가장 많은 시간을 차지하는 연산이다."