MOSAIC는 신뢰할 수 있지만 연산력이 약한 클라이언트가 입력과 모델을 모두 보유한 상태에서, 신뢰할 수 없지만 강력한 서버에게 안전하고 효율적으로 AI 연산을 위탁하는 문제를 다룬다. 핵심은 기존 연구보다 훨씬 큰 행렬까지 확장 가능한 신개념 행렬곱 마스킹 프로토콜로, 대형 트랜스포머 추론 같은 현대적 워크로드의 안전한 위탁을 가능하게 한다. 곱셈 결과에 소량의 노이즈를 추가해 정확성을 완화함으로써 최적의 점근적 클라이언트 오버헤드와 기존 연구 대비 수 자릿수 빠른 실제 실행 시간을 달성했으며, 보안성은 결정적 LWE와 LPN 가정으로 환원된다. 트랜스포머의 여러 층을 거치며 누적되는 노이즈 문제는 무작위 아다마르 회전 기반 오차 스케일링 메커니즘으로 해결했으며, 700억 파라미터급 대형 트랜스포머 모델에서 MOSAIC의 퍼플렉시티는 널리 쓰이는 양자화 기법과 비슷하고 HumanEval에서는 완전 정밀도 BF16 추론과도 맞먹었다. 이는 신뢰 컴퓨팅 기반(TCB)을 작게 유지하면서 대규모 연산을 신뢰할 수 없는 가속기에 위탁해 데이터센터 규모의 기밀 AI로 가는 실용적 경로를 제시한다.

• •기존 연구보다 훨씬 큰 행렬까지 확장 가능한 신규 행렬곱 마스킹 프로토콜이 핵심
• •소량 노이즈 추가로 정확성을 완화해 최적 클라이언트 오버헤드와 기존 대비 수 자릿수 빠른 실행시간 달성
• •보안성은 결정적 LWE와 LPN 가정으로 환원, 무작위 아다마르 회전 기반 오차 스케일링으로 누적 노이즈 제어
• •700억 파라미터급 모델에서 양자화 기법과 비슷하거나 HumanEval에서는 완전정밀도 BF16과 동등한 품질
• •신뢰 컴퓨팅 기반(TCB)을 작게 유지하면서 대량 연산을 신뢰할 수 없는 가속기에 위탁하는 구조