論文の概要: Privacy-Preserving Spiking Neural Networks: A Deep Dive into Encryption Parameter Optimisation

• arxiv url: http://arxiv.org/abs/2510.19537v1
• Date: Wed, 22 Oct 2025 12:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.766025
• Title: Privacy-Preserving Spiking Neural Networks: A Deep Dive into Encryption Parameter Optimisation
• Title（参考訳）: プライバシ保護型スパイクニューラルネットワーク - 暗号化パラメータ最適化への深い取り組み
• Authors: Mahitha Pulivathi,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、脳のイベント駆動動作を模倣し、パフォーマンスの向上と消費電力の削減を提供する。 BioEncryptSNNは、セキュアでノイズ耐性のあるデータ保護のためのスパイキングニューラルネットワークベースの暗号化復号フレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning is widely applied to modern problems through neural networks, but the growing computational and energy demands of these models have driven interest in more efficient approaches. Spiking Neural Networks (SNNs), the third generation of neural networks, mimic the brain's event-driven behaviour, offering improved performance and reduced power use. At the same time, concerns about data privacy during cloud-based model execution have led to the adoption of cryptographic methods. This article introduces BioEncryptSNN, a spiking neural network based encryption-decryption framework for secure and noise-resilient data protection. Unlike conventional algorithms, BioEncryptSNN converts ciphertext into spike trains and exploits temporal neural dynamics to model encryption and decryption, optimising parameters such as key length, spike timing, and synaptic connectivity. Benchmarked against AES-128, RSA-2048, and DES, BioEncryptSNN preserved data integrity while achieving up to 4.1x faster encryption and decryption than PyCryptodome's AES implementation. The framework demonstrates scalability and adaptability across symmetric and asymmetric ciphers, positioning SNNs as a promising direction for secure, energy-efficient computing.
• Abstract（参考訳）: ディープラーニングはニューラルネットワークによる現代の問題に広く適用されているが、これらのモデルの計算とエネルギーの需要が増大し、より効率的なアプローチへの関心が高まっている。 第3世代のニューラルネットワークであるスパイキングニューラルネットワーク(SNN)は、脳のイベント駆動動作を模倣し、パフォーマンスの向上と消費電力の削減を提供する。 同時に、クラウドベースのモデル実行時のデータのプライバシに関する懸念が、暗号化メソッドの採用につながっている。 本稿では、セキュアでノイズ耐性のあるデータ保護のためのスパイクニューラルネットワークベースの暗号復号フレームワークであるBioEncryptSNNを紹介する。 従来のアルゴリズムとは異なり、BioEncryptSNNは暗号文をスパイクトレインに変換し、時間的神経力学を利用して暗号化と復号をモデル化し、キー長、スパイクタイミング、シナプス接続などのパラメータを最適化する。 AES-128、RSA-2048、DESとベンチマークした結果、BioEncryptSNNはデータの完全性を保ち、PyCryptodomeのAES実装よりも最大4.1倍高速な暗号化と復号を実現した。 このフレームワークは、対称暗号と非対称暗号をまたいだスケーラビリティと適応性を実証し、SNNをセキュアでエネルギー効率の良い計算の有望な方向として位置づけている。

関連論文リスト

• PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks [0.08749675983608168]
  スパイキングニューラルネットワーク(SNN)は、従来のディープラーニングアプローチに代わるエネルギー効率の高い代替手段として登場した。 PRIVSPIKEは、CKKS準同型暗号方式を用いてSNNのプライバシー保護推論フレームワークである。 コンシューマグレードのCPUでは、SNN LeNet-5モデルはMNISTで28秒、Neuromorphic MNISTで212秒の推論時間を達成した。
  論文  参考訳（メタデータ） (2025-10-05T02:11:40Z)
• Using Modular Arithmetic Optimized Neural Networks To Crack Affine Cryptographic Schemes Efficiently [0.27309692684728615]
  ハイブリッドニューラルネットワークアーキテクチャを用いたアフィン暗号の暗号解析について検討する。 提案手法は, 生の暗号文列を処理するモジュール分岐と, 文字の周波数特性を利用する統計分岐を統合する。
  論文  参考訳（メタデータ） (2025-07-17T04:54:10Z)
• Keyed Chaotic Dynamics for Privacy-Preserving Neural Inference [0.0]
  この研究は、神経推論の安全性を保証するための新しい暗号化手法を導入する。 鍵条件付きカオスグラフ動的システムを構築することにより、ニューラルネットワーク内の実数値テンソルの暗号化と復号化が可能となる。
  論文  参考訳（メタデータ） (2025-05-29T17:05:42Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• SNNGX: Securing Spiking Neural Networks with Genetic XOR Encryption on RRAM-based Neuromorphic Accelerator [34.474841993360855]
  スパイキングニューラルネットワーク(SNN)はスパイクスパシティを特徴とするもので、知的エッジデバイスや重要なバイオメディカル応用に対して大きな注目を集めている。 しかし、SNNからホワイトボックス情報を抽出しようとする悪意のある試みにはかなりのリスクがある。 我々は,SNNのIPを保護するために,セキュアなRRAMベースのニューロモルフィックアクセラレータを提案する。
  論文  参考訳（メタデータ） (2024-07-21T13:08:05Z)
• SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
  スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。 我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
  論文  参考訳（メタデータ） (2023-10-25T13:15:17Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• 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。