論文の概要: EDLaaS; Fully Homomorphic Encryption Over Neural Network Graphs
- arxiv url: http://arxiv.org/abs/2110.13638v1
- Date: Tue, 26 Oct 2021 12:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 22:09:12.882714
- Title: EDLaaS; Fully Homomorphic Encryption Over Neural Network Graphs
- Title（参考訳）: EDLaaS - ニューラルネットワークグラフの完全同型暗号化
- Authors: George Onoufriou, Marc Hanheide, Georgios Leontidis
- Abstract要約: 我々は、Microsoft Simple Encrypted Arithmetic Library (MS-SEAL)が提供する固定点上の第4世代Cheon, Kim, Kim and Song (CKKS) FHEスキームを使用する。
FHEは、プライバシ保護機械学習(PPML)のすべての問題に対するパナセアではなく、モデルトレーニングのような特定の制限がまだ残っていることが分かっています。
我々は、畳み込みニューラルネットワーク(CNN)、ファッションMNIST、およびレベル付きFHE操作に焦点を当てる。
- 参考スコア（独自算出の注目度）: 7.195443855063635
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present automatically parameterised Fully Homomorphic Encryption (FHE),
for encrypted neural network inference. We present and exemplify our inference
over FHE compatible neural networks with our own open-source framework and
reproducible step-by-step examples. We use the 4th generation Cheon, Kim, Kim
and Song (CKKS) FHE scheme over fixed points provided by the Microsoft Simple
Encrypted Arithmetic Library (MS-SEAL). We significantly enhance the usability
and applicability of FHE in deep learning contexts, with a focus on the
constituent graphs, traversal, and optimisation. We find that FHE is not a
panacea for all privacy preserving machine learning (PPML) problems, and that
certain limitations still remain, such as model training. However we also find
that in certain contexts FHE is well suited for computing completely private
predictions with neural networks. We focus on convolutional neural networks
(CNNs), fashion-MNIST, and levelled FHE operations. The ability to privately
compute sensitive problems more easily, while lowering the barriers to entry,
can allow otherwise too-sensitive fields to begin advantaging themselves of
performant third-party neural networks. Lastly we show encrypted deep learning,
applied to a sensitive real world problem in agri-food, and how this can have a
large positive impact on food-waste and encourage much-needed data sharing.
- Abstract（参考訳）: ニューラルネットワーク推論のためのFHE(Fully Homomorphic Encryption)を自動パラメータ化する。
我々は、FHE互換ニューラルネットワークに対する推論を、我々のオープンソースフレームワークと再現可能なステップバイステップの例で提示し、実証する。
我々は,Microsoft Simple Encrypted Arithmetic Library (MS-SEAL)が提供する固定点上で,第4世代Cheon,Kim,Kim,Song (CKKS) FHE方式を使用する。
我々は、深層学習におけるFHEのユーザビリティと適用性を大幅に向上させ、構成グラフ、トラバース、最適化に焦点を当てた。
FHEは、プライバシ保護機械学習(PPML)のすべての問題に対するパナセアではなく、モデルトレーニングのような特定の制限がまだ残っていることが分かっています。
しかし、ある文脈では、FHEは完全にプライベートな予測をニューラルネットワークで計算するのに適している。
我々は、畳み込みニューラルネットワーク(CNN)、ファッションMNIST、およびレベル付きFHE操作に焦点を当てる。
機密性のある問題をプライベートに計算しやすくすると同時に、侵入障壁を低くする能力によって、過度に敏感なフィールドが、パフォーマンスのよいサードパーティのニューラルネットワークのアドバンテージとなる。
最後に、Agri-foodのセンシティブな現実世界問題に適用された暗号化されたディープラーニングと、これが食品の無駄に大きく影響し、多くのデータ共有を促進する方法を示す。
関連論文リスト
- LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。
本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
論文 参考訳（メタデータ） (2024-07-18T22:05:21Z) - Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳（メタデータ） (2024-05-07T12:20:12Z) - Efficient Privacy-Preserving Convolutional Spiking Neural Networks with
FHE [1.437446768735628]
ホモモルフィック暗号化(FHE)は、プライバシ保護計算の鍵となる技術である。
FHEは連続非ポリノミカル関数の処理に制限がある。
準同型SNNのためのFHE-DiCSNNというフレームワークを提案する。
FHE-DiCSNNの精度は97.94%で、元のネットワークの精度98.47%に比べて0.53%しか失われていない。
論文 参考訳（メタデータ） (2023-09-16T15:37:18Z) - Deep Neural Networks for Encrypted Inference with TFHE [0.0]
完全同型暗号(英: Fully homomorphic encryption, FHE)は、復号化せずに暗号化されたデータ上で計算を行うことができる暗号法である。
TFHEは、健康データ、バイオメトリックス、クレジットスコア、その他の個人情報などの機密データを扱うオンラインサービスのユーザのプライバシを保存する。
本稿では、任意の深度計算回路を実現するFHEスキームであるTFHEの制約に適合するディープニューラルネットワーク(DNN)を構築する方法について述べる。
論文 参考訳（メタデータ） (2023-02-13T09:53:31Z) - Deep Binary Reinforcement Learning for Scalable Verification [44.44006029119672]
バイナライズニューラルネットワーク(BNN)に特化したRLアルゴリズムを提案する。
Atari環境でBNNを訓練した後、ロバスト性特性を検証する。
論文 参考訳（メタデータ） (2022-03-11T01:20:23Z) - SoK: Privacy-preserving Deep Learning with Homomorphic Encryption [2.9069679115858755]
ホモモルフィック暗号化(HE)は、その内容を明らかにすることなく暗号化データ上で実行される。
プライバシ保護のために、ニューラルネットワークとHEを組み合わせたアプローチを詳細に検討します。
計算オーバーヘッドやユーザビリティ,暗号化スキームによる制限といった,HEベースのプライバシ保護の深層学習には,数多くの課題がある。
論文 参考訳（メタデータ） (2021-12-23T22:03:27Z) - TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic
Encryption [0.0]
モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。
我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
論文 参考訳（メタデータ） (2021-04-07T14:32:38Z) - Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。
破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-07T14:19:07Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。
本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。
私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文 参考訳（メタデータ） (2020-12-10T22:30:25Z) - 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) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳（メタデータ） (2019-03-24T19:42:39Z)
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。