卷积神经网络的高效隐私保护推理
机器学习
2022-08-29 v2 密码学与安全
摘要
使用深度学习模型处理敏感用户数据是一个近期受到关注的领域。现有工作利用同态加密（HE）方案来实现对加密数据的计算。早期工作CryptoNets对一次MNIST推理需耗时250秒。此类方法的主要局限在于，对HE加密密文执行操作所需的类FFT运算代价高昂。其他研究提出使用模型剪枝与高效数据表示来减少所需的HE操作数。我们专注于改进现有工作，提出在CNN推理过程中改变中间张量的表示方式。我们在MNIST与CIFAR-10数据集上构建并评估了私有CNN，相较于CryptoNets架构，推理所用操作数减少超过两倍。
引用
@article{arxiv.2110.08321,
title = {Efficient privacy-preserving inference for convolutional neural networks},
author = {Han Xuanyuan and Francisco Vargas and Stephen Cummins},
journal= {arXiv preprint arXiv:2110.08321},
year = {2022}
}
备注
8 pages, 3 figures