Concrete ML v1.5：加密数据帧与更快的神经网络

在此版本中，Concrete ML v1.5 引入了一个新的 DataFrame API，该 API 支持使用加密的存储数据。这项新功能扩展了 Concrete ML 的主要用例，即私有推理，并标志着朝着保密协作迈出的又一步。

此外，Concrete ML v1.5 添加了一个新选项，可以将神经网络的速度提高 2-3 倍。它配备了改进的 FHE 模拟模式，可以快速评估此功能对神经网络准确性的影响。

最后，一个新的演示展示了如何安全地匿名化文本数据，以使用 ChatGPT 查询知识库，而无需泄露任何个人身份信息。

‍

加密的 DataFrames

DataFrames 是一种编程范式，可简化表格数据的操作。DataFrames 通过存储异构数据和数据模式（包括数据类型和列名）来创建可移植的数据容器。此外，DataFrames 还具有查询和筛选存储数据的功能，很像数据库引擎。

DataFrames 在数据科学中很受欢迎，用于在运行统计分析或训练模型之前存储和预处理数据。Concrete ML v1.5 从流行的 Pandas 包中汲取灵感，并为用户提供了一个 API 来加密、连接和解密 DataFrames。此功能允许多方在加密的存储数据上进行协作，作为私有模型推理或训练的输入，标志着保密协作的又一步。有关更多详细信息，请参见示例工作流程。

更快的神经网络推理

Concrete ML v1.5 引入了一个选项，允许用户在 FHE 模型中，在速度和预测的准确性之间进行权衡，与等效的明文模型相比。通过选择新选项，用户可以实现 2-3 倍的速度提升。例如，当允许这种噪声时，FHE 原语可以更快地计算激活函数。Concrete ML v1.5 为用户提供了在两种模式之间进行选择的可能性：（1）与明文模型相比，确保完全的准确性，但以较低的速度运行，以及（2）保持模型准确性，同时允许神经网络 logits 中存在一些噪声，但实现更快的执行速度。用户可以通过改进的 FHE 模拟模式来验证是否保持了准确性。

知识库的安全匿名化

随着 Concrete ML v1.5 的发布，我们发布了一个新的 HuggingFace 空间，该空间展示了如何在加密的文本数据上私下执行匿名化模型。虽然 ChatGPT 没有提供回答加密查询的方法，但使用 FHE 进行匿名化可以帮助安全地从发送给 ChatGPT 的文档和查询中删除个人身份信息。通过这种方法，公司可以构建匿名化的知识库，并将其用于与 ChatGPT 的检索增强生成 (RAG)。

更多链接

• 在 Concrete ML Github 存储库 上加星标，以支持我们的工作。
• 查看 Concrete ML 文档。
• 在我们的 社区频道 上获得支持。

• 原文链接： zama.ai/post/concrete-ml...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～