PAPER：在分级全同态加密上使用低次多项式近似与结构优化的隐私保护卷积神经网络
密码学与安全
2026-02-10 v2
摘要
最近使用全同态加密（Fully Homomorphic Encryption, FHE）的工作使得深度卷积神经网络（Convolutional Neural Networks, CNN）的非交互式隐私保护推理成为可能。然而，这些方法的性能仍然受到对自举（bootstrapping）操作严重依赖的限制，自举是一种昂贵的 FHE 操作，应用于多个层，严重减慢了推理速度。此外，它们依赖于非线性激活函数的高次多项式近似，这增加了乘法深度，并且与明文 ReLU 模型相比，准确率降低了 2-5%。在这项工作中，我们缩小了基于 FHE 的非交互式 CNN 与其明文对应物之间的准确率差距，同时实现了比现有方法更快的推理。我们提出了 ReLU 的二次多项式近似，它达到了非线性激活函数的理论最小乘法深度，并结合了基于惩罚的训练策略。我们进一步引入了结构优化，将 CNN 中所需的 FHE 层级数量相比先前工作减少了五倍，使我们能够在分级 FHE 下运行深度 CNN 模型而无需自举。为了进一步加速推理并恢复通常因多项式近似而损失的准确率，我们引入了参数聚类以及数据布局和集成技术的联合策略。在 CIFAR 和 Tiny-ImageNet 数据集上使用 VGG 和 ResNet 模型进行的实验表明，我们的方法实现了比先前工作快高达 的隐私推理，且准确率可与明文 ReLU 模型相媲美。
引用
@article{arxiv.2509.22857,
title = {PAPER: Privacy-Preserving Convolutional Neural Networks using Low-Degree Polynomial Approximations and Structural Optimizations on Leveled FHE},
author = {Eduardo Chielle and Manaar Alam and Jinting Liu and Jovan Kascelan and Michail Maniatakos},
journal= {arXiv preprint arXiv:2509.22857},
year = {2026}
}