論文の概要: ENSEI: Efficient Secure Inference via Frequency-Domain Homomorphic
Convolution for Privacy-Preserving Visual Recognition
- arxiv url: http://arxiv.org/abs/2003.05328v2
- Date: Sun, 31 Oct 2021 04:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 14:21:31.890573
- Title: ENSEI: Efficient Secure Inference via Frequency-Domain Homomorphic
Convolution for Privacy-Preserving Visual Recognition
- Title（参考訳）: ENSEI:プライバシー保護型視覚認識のための周波数領域同型畳み込みによる効率的なセキュア推論
- Authors: Song Bian, Tianchen Wang, Masayuki Hiromoto, Yiyu Shi, Takashi Sato
- Abstract要約: ENSEIは、周波数領域安全な畳み込み(FDSC)プロトコルに基づくセキュアな推論フレームワークである。
ENSEIでは、最もよく知られた作品と比較して、5-11倍のオンライン時間短縮、最大33倍のセットアップ時間短縮、全体の推測時間の最大10倍の削減を実現している。
さらに33%の帯域幅削減は、CIFAR-10データセットの1%の精度でバイナリニューラルネットワークで得ることができる。
- 参考スコア（独自算出の注目度）: 22.59741317675124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose ENSEI, a secure inference (SI) framework based on
the frequency-domain secure convolution (FDSC) protocol for the efficient
execution of privacy-preserving visual recognition. Our observation is that,
under the combination of homomorphic encryption and secret sharing, homomorphic
convolution can be obliviously carried out in the frequency domain,
significantly simplifying the related computations. We provide protocol designs
and parameter derivations for number-theoretic transform (NTT) based FDSC. In
the experiment, we thoroughly study the accuracy-efficiency trade-offs between
time- and frequency-domain homomorphic convolution. With ENSEI, compared to the
best known works, we achieve 5--11x online time reduction, up to 33x setup time
reduction, and up to 10x reduction in the overall inference time. A further 33%
of bandwidth reductions can be obtained on binary neural networks with only 1%
of accuracy degradation on the CIFAR-10 dataset.
- Abstract（参考訳）: 本研究では、プライバシ保護視覚認識の効率的な実行のための周波数領域セキュア畳み込み(FDSC)プロトコルに基づくセキュア推論(SI)フレームワークであるENSEIを提案する。
我々は,準同型暗号と秘密共有の組み合わせにより,相同的畳み込みを周波数領域で明示的に行うことができ,関連する計算を著しく単純化できることを示した。
数理論変換(NTT)に基づくFDSCのためのプロトコル設計とパラメータ導出を提供する。
実験では,時間領域と周波数領域の同型畳み込みの精度-効率トレードオフを徹底的に検討した。
最もよく知られた作品と比較して,5～11倍のオンライン時間短縮,33倍のセットアップ時間短縮,最大10倍の推論時間短縮を実現している。
さらに33%の帯域幅削減は、CIFAR-10データセットの精度の1%しか低下しないバイナリニューラルネットワークで得ることができる。
関連論文リスト
- Blind Estimation of Sub-band Acoustic Parameters from Ambisonics Recordings using Spectro-Spatial Covariance Features [10.480691005356967]
10個の周波数帯域にわたる残響時間(T60)、直接残響率(DRR)、明瞭度(C50)を盲目的に推定する統合フレームワークを提案する。
提案フレームワークは, 時間, スペクトル, およびFOA信号の空間情報を効率的に表現する, Spectro-Spatial Co Vector (SSCV) と呼ばれる新しい特徴を利用する。
論文 参考訳（メタデータ） (2024-11-05T15:20:23Z) - State-Free Inference of State-Space Models: The Transfer Function Approach [132.83348321603205]
状態のない推論では、状態サイズが大きくなると大きなメモリや計算コストは発生しない。
提案した周波数領域転送関数のパラメトリゼーション特性を用いてこれを実現する。
長い畳み込みハイエナベースライン上での言語モデリングにおける難易度の改善を報告した。
論文 参考訳（メタデータ） (2024-05-10T00:06:02Z) - Privacy-Preserving Diffusion Model Using Homomorphic Encryption [5.282062491549009]
HE拡散(HE-Diffusion)と呼ばれる同相暗号を利用したプライバシー保護型安定拡散フレームワークを提案する。
本稿では,効率的な部分的画像暗号化を実現するための新しいミン歪み法を提案する。
HEベースのプライバシ保存型安定拡散推論の実装に成功した。
論文 参考訳（メタデータ） (2024-03-09T04:56:57Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Extending GCC-PHAT using Shift Equivariant Neural Networks [17.70159660438739]
位相変換(GCC-PHAT)と一般化された相互相関に基づく手法が話者定位に広く採用されている。
本稿では、シフト同変ニューラルネットワークを用いて受信信号をフィルタリングするGCC-PHATの拡張手法を提案する。
本モデルでは,GCC-PHATの誤差を常に低減し,正確な時間遅延回復を保証している。
論文 参考訳（メタデータ） (2022-08-09T10:31:10Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。
提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文 参考訳（メタデータ） (2020-11-08T10:40:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。