Concrete ML v1.6：更大的神经网络和预训练的基于树的模型

Concrete ML v1.6 改进了大型神经网络的延迟，增加了对预训练的基于树的模型的支持，并通过引入 DataFrame schemas 和促进 logistic regression 训练的部署来简化协作计算。虽然 GPU 支持很快将在 Concrete ML 中可用，但下面给出了一些早期的延迟结果。

预训练的基于树的模型

Concrete ML 长期以来一直支持通过 from_sklearn 转换预训练的线性模型，以及使用 compile_torch_model 转换预训练的神经网络。预训练模型很受欢迎，因为从头开始训练模型容易出错，并且需要更深入的机器学习知识。此外，实施特定的训练算法，例如 federated learning，需要单独的专用工具包，但对此类训练模型的安全部署仍然至关重要。Concrete ML v1.6 现在支持使用 from_sklearn 函数导入预训练的树模型。与在明文中使用原始模型相比，默认导入设置可确保在加密数据上保持准确性。有关更多信息，请参阅文档。

延迟改进

两个新的 notebook 展示了 Concrete v1.6 中预训练神经网络的延迟改进

• 深度 MLP 模型：此 notebook 演示了一个 20 层的深度 MLP。它编译了一个预训练模型，并在加密数据上以 1 秒的延迟执行，使用 hpc7 AWS 实例比 Zama 白皮书 中的先前结果快 20 倍。
• ResNet18 模型：此 notebook 演示了一个在 ImageNet 上运行的 ResNet18 模型，该模型在加密的 256 像素宽的图像上执行。虽然在 GPU 上的延迟大约为 56 分钟，但该模型比 TFHE ML 的最新技术 提高了 4 倍。下一个版本将启用最终用户 GPU 支持。

部署增强

借助 Concrete ML v1.6，开发人员可以轻松地将 logistic regression 训练部署为客户端-服务器服务。与以前的版本一样，开发人员可以参数化训练系统，选择要训练的特征数量和训练超参数。此外，Concrete ML v1.6 允许打包训练电路，以便将其部署到云上。有关更多详细信息，请参阅加密训练文档。

DataFrame schemas

Concrete v1.6 中更新的 DataFrame API 减少了存储的 DataFrames 的大小，并允许用户手动控制他们加密的 DataFrames 的 schema。Schemas 描述了加密数据，使多个用户可以使他们的数据彼此兼容。该功能在加密 DataFrame notebook 中进行了演示。

此版本中的新功能和改进提高了 Concrete ML 的性能和可用性。即将推出的 GPU 支持将在不久的将来带来更大的进步。敬请关注！

更多链接

• 为 Concrete ML Github 存储库 加星，以支持我们的工作。
• 查看 Concrete ML 文档。

• 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～