AutoFHE：面向FHE高效评估的CNN自动适配方法

在RNS-CKKS下深度卷积神经网络(CNNs)的安全推理涉及对不支持的非线性激活函数的多项式近似。然而，现有方法有三个主要局限：1) 不灵活：多项式近似及相关的同态评估架构针对每个CNN架构手动定制，不能推广到其他网络。2) 次优近似：近似的是每个激活函数而非CNN所表示的函数。3) 受限设计：要么使用高次要么使用低次多项式近似。前者保持高精度但因自举操作而拖慢推理，后者加速密文推理却牺牲精度。为应对这些局限，我们提出AutoFHE，它自动适配标准CNN以用于RNS-CKKS下的安全推理。其核心思想是采用逐层混合次数多项式激活函数，并与同态评估架构就自举操作放置位置联合优化。该问题被建模为多目标优化框架，以最大化精度并最小化自举操作次数。AutoFHE可灵活应用于任意CNN架构，并提供跨越精度与延迟权衡的多样解。在RNS-CKKS加密的CIFAR数据集上的实验评估表明，与使用高次多项式的方法相比，AutoFHE将安全推理加速$1.32\times$至$1.8\times$；与采用低次多项式的方法相比，精度提升高达2.56%。最后，与TFHE下的CNN相比，AutoFHE分别将推理加速$103\times$、精度提升3.46%。