基于密文分片在同态加密数据上实现高分辨率卷积神经网络
密码学与安全
2024-01-30 v2 机器学习
摘要
近来，包括 ResNet-20 架构在内的深度卷积神经网络（DCNN）已在 Residue-Number-System Cheon-Kim-Kim-Song（RNS-CKKS）同态加密方案下，对加密的低分辨率数据完成私有评估。我们扩展了在具有更大尺寸和多数通道的图像上评估 DCNN 的方法，超越单密文所能存储的范围。此外，我们简化并改进了近期引入的多路复用图像格式的效率，证明同态评估可使用标准的行主序矩阵打包，并使加密推理时间加速 。我们还展示了如何在训练过程中对现有 DCNN 模型进行正则化，以进一步提升效率与精度。这些技术被应用于在高分辨率 ImageNet 数据集上以高精度同态评估 DCNN，取得了 的 top-1 准确率。我们还在 CIFAR-10 数据集上实现了同态评估 CNN 的 准确率。
引用
@article{arxiv.2306.09189,
title = {High-Resolution Convolutional Neural Networks on Homomorphically Encrypted Data via Sharding Ciphertexts},
author = {Vivian Maloney and Richard F. Obrecht and Vikram Saraph and Prathibha Rama and Kate Tallaksen},
journal= {arXiv preprint arXiv:2306.09189},
year = {2024}
}
备注
14 pages, 9 figures