論文の概要: CryptoGRU: Low Latency Privacy-Preserving Text Analysis With GRU
- arxiv url: http://arxiv.org/abs/2010.11796v2
- Date: Thu, 9 Sep 2021 19:59:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 07:35:42.019740
- Title: CryptoGRU: Low Latency Privacy-Preserving Text Analysis With GRU
- Title(参考訳): CryptoGRU: GRUによる低レイテンシなプライバシ保護テキスト分析
- Authors: Bo Feng, Qian Lou, Lei Jiang, and Geoffrey C. Fox
- Abstract要約: 本稿では、低レイテンシなセキュアな推論のために、HEおよびGCハイブリッドゲートリカレントユニット(GRU)ネットワークであるCryptoGRUを提案する。
CryptoGRUは、最先端の精度を達成し、セキュアな推論レイテンシを、最先端のセキュアネットワークの1つで最大138倍改善する。
- 参考スコア(独自算出の注目度): 19.73660245110122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Billions of text analysis requests containing private emails, personal text
messages, and sensitive online reviews, are processed by recurrent neural
networks (RNNs) deployed on public clouds every day. Although prior secure
networks combine homomorphic encryption (HE) and garbled circuit (GC) to
preserve users' privacy, naively adopting the HE and GC hybrid technique to
implement RNNs suffers from long inference latency due to slow activation
functions. In this paper, we present a HE and GC hybrid gated recurrent unit
(GRU) network, CryptoGRU, for low-latency secure inferences. CryptoGRU replaces
computationally expensive GC-based $tanh$ with fast GC-based $ReLU$, and then
quantizes $sigmoid$ and $ReLU$ with a smaller bit length to accelerate
activations in a GRU. We evaluate CryptoGRU with multiple GRU models trained on
4 public datasets. Experimental results show CryptoGRU achieves top-notch
accuracy and improves the secure inference latency by up to $138\times$ over
one of state-of-the-art secure networks on the Penn Treebank dataset.
- Abstract(参考訳): プライベートメール、パーソナルテキストメッセージ、センシティブなオンラインレビューを含む何十億ものテキスト分析要求は、毎日パブリッククラウドにデプロイされたrecurrent neural networks(rnn)によって処理される。
従来のセキュアなネットワークは、ユーザのプライバシを保護するために、ホモモルフィック暗号化(HE)とガーブロード回路(GC)を組み合わせていたが、HEとGCのハイブリッド技術を採用してRNNを実装するには、低速なアクティベーション関数による長時間の推論遅延に悩まされる。
本稿では、低レイテンシなセキュアな推論のために、HEおよびGCハイブリッドゲートリカレントユニット(GRU)ネットワークであるCryptoGRUを提案する。
CryptoGRUは計算コストの高いGCベースの$tanh$を高速GCベースの$ReLU$に置き換え、次に$sigmoid$と$ReLU$をより小さいビット長で定量化し、GRUのアクティベーションを加速する。
4つの公開データセットで学習した複数のGRUモデルを用いてCryptoGRUを評価する。
実験の結果、cryptogruは最高値の精度を達成し、penn treebankデータセット上の最先端のセキュアネットワークの1つに対して最大138\times$でセキュアな推論レイテンシを向上させる。
関連論文リスト
- Graph Neural Network-Based Bandwidth Allocation for Secure Wireless
Communications [46.342827102556896]
本稿では,最小機密率制約を満たすユーザをスケジュールするユーザスケジューリングアルゴリズムを提案する。
我々は、反復探索(IvS)、GNNベースの教師付き学習(GNN-SL)、GNNベースの教師なし学習(GNN-USL)の3つのアルゴリズムを用いて帯域幅割り当てを最適化する。
論文 参考訳(メタデータ) (2023-12-13T09:34:16Z) - DP-DCAN: Differentially Private Deep Contrastive Autoencoder Network for
Single-cell Clustering [31.74968613957949]
ディープラーニングモデルは、ユーザの機密情報を漏洩する可能性がある。
差別化プライバシ(DP)は、プライバシーを保護するためにますます使われています。
ネットワークの中央にある次元再現ベクトルのみを出力するオートエンコーダの特異性を利用する。
単一セルクラスタリングのための部分的ネットワーク摂動により、差分的にプライベートなDeep Contrastive Autoencoder Network (DP-DCAN) を設計する。
論文 参考訳(メタデータ) (2023-11-06T05:13:29Z) - CryptoGCN: Fast and Scalable Homomorphically Encrypted Graph
Convolutional Network Inference [12.03953896181613]
クラウドベースのグラフ畳み込みネットワーク(GCN)は、多くのプライバシに敏感なアプリケーションで大きな成功と可能性を示している。
クラウド上での推論精度とパフォーマンスは高いが、GCN推論におけるデータのプライバシの維持については、まだ明らかにされていない。
本稿では,この手法を最初に試行し,同型暗号(HE)に基づくGCN推論フレームワークであるtextitCryptoGCN$-を開発する。
論文 参考訳(メタデータ) (2022-09-24T02:20:54Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳(メタデータ) (2022-08-08T03:13:24Z) - Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。
一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
論文 参考訳(メタデータ) (2021-04-12T17:59:16Z) - Decentralized Multi-Agent Linear Bandits with Safety Constraints [31.67685495996986]
本研究では,N$エージェントのネットワークが協調して線形帯域最適化問題を解く分散線形帯域幅について検討する。
ネットワーク全体の累積的後悔を最小限に抑える完全分散アルゴリズム DLUCB を提案する。
私たちのアイデアは、より困難な、安全な盗賊の設定にもかかわらず、自然界に広まっています。
論文 参考訳(メタデータ) (2020-12-01T07:33:00Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳(メタデータ) (2020-10-22T12:32:29Z) - Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged
Fraudsters [78.53851936180348]
近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。
既存のGNNはこれらの2つのカモフラージュに対処していない。
カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
論文 参考訳(メタデータ) (2020-08-19T22:33:12Z) - CryptoNAS: Private Inference on a ReLU Budget [8.8438567779565]
既存のモデルはプライベート推論(PI):入力を開示せずに推論を処理する方法に不適である。
本稿では,既存のモデルがPIに不適合であることを示すとともに,新しいNAS手法であるCryptoNASを提案する。
我々は、推論遅延のプロキシとしてReLU予算のアイデアを開発し、CryptoNASを使用して、所定の予算内で精度を最大化するモデルを構築する。
論文 参考訳(メタデータ) (2020-06-15T20:06:05Z) - SiTGRU: Single-Tunnelled Gated Recurrent Unit for Abnormality Detection [29.500392184282518]
異常検出のための単一トンネルGRU(Single Tunnelled GRU)と呼ばれるGRU(Gated Recurrent Unit)の新規バージョンを提案する。
提案手法は,標準GRUとLong Short Term Memory(LSTM)ネットワークを,検出および一般化タスクのほとんどの指標で上回っている。
論文 参考訳(メタデータ) (2020-03-30T14:58:13Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳(メタデータ) (2020-02-03T14:49:18Z)
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。