FicGCN：从非规则图卷积网络揭示同态加密效率
密码学与安全
2025-06-13 v1
摘要
图卷积神经网络（GCN）因其卓越性能在个人医疗和金融系统等领域获得了广泛应用。尽管基于云的 GCN 服务需求日益增长，但敏感图数据的隐私问题仍然显著。同态加密（HE）通过允许在加密数据上执行计算来促进隐私保护机器学习（PPML）。然而，HE 引入了大量的计算开销，特别是对于 GCN 操作中需要矩阵乘积中的旋转和乘法运算。GCN 的稀疏性提供了显著的性能潜力，但其非规则性引入了额外的操作，从而降低了实际收益。在本文中，我们提出了 FicGCN，一个专门设计用于利用 GCN 稀疏特性并在聚合与组合操作之间实现全局最优平衡的基于 HE 的框架。FicGCN 采用了一种感知延迟的打包方案、一种稀疏密文内聚合（SpIntra-CA）方法来最小化旋转开销，以及一种由局部邻接结构驱动的基于区域的数据重排。我们在多个流行数据集上评估了 FicGCN，结果表明 FicGCN 在所有测试数据集上取得了最佳性能，相比最新设计实现了高达 4.10 倍的提升。
引用
@article{arxiv.2506.10399,
title = {FicGCN: Unveiling the Homomorphic Encryption Efficiency from Irregular Graph Convolutional Networks},
author = {Zhaoxuan Kan and Husheng Han and Shangyi Shi and Tenghui Hua and Hang Lu and Xiaowei Li and Jianan Mu and Xing Hu},
journal= {arXiv preprint arXiv:2506.10399},
year = {2025}
}
备注
Accepted by ICML 2025