論文の概要: Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE
- arxiv url: http://arxiv.org/abs/2603.26781v1
- Date: Wed, 25 Mar 2026 03:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.601548
- Title: Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE
- Title（参考訳）: TFHEを用いた畳み込み型ニューラルネットワークの効率的な暗号化計算
- Authors: Longfei Guo, Pengbo Li, Ting Gao, Yonghai Zhong, Haojie Fan, Jinqiao Duan,
- Abstract要約: ホモモルフィック暗号化(FHE)は、プライバシ保護計算において重要な技術である。
FHEは、離散整数上で動作し、加算と乗法のみをサポートするため、連続的な非多項式関数と競合する。
TFHEスキーム上に構築されたフレームワークであるFHE-DiCSNNを導入し,SNNの離散特性をセキュアかつ効率的な計算に利用した。
- 参考スコア（独自算出の注目度）: 1.3047787405425166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of AI technology, we have seen more and more concerns on data privacy, leading to some cutting-edge research on machine learning with encrypted computation. Fully Homomorphic Encryption (FHE) is a crucial technology for privacy-preserving computation, while it struggles with continuous non-polynomial functions, as it operates on discrete integers and supports only addition and multiplication. Spiking Neural Networks (SNNs), which use discrete spike signals, naturally complement FHE's characteristics. In this paper, we introduce FHE-DiCSNN, a framework built on the TFHE scheme, utilizing the discrete nature of SNNs for secure and efficient computations. By leveraging bootstrapping techniques, we successfully implement Leaky Integrate-and-Fire (LIF) neuron models on ciphertexts, allowing SNNs of arbitrary depth. Our framework is adaptable to other spiking neuron models, offering a novel approach to homomorphic evaluation of SNNs. Additionally, we integrate convolutional methods inspired by CNNs to enhance accuracy and reduce the simulation time associated with random encoding. Parallel computation techniques further accelerate bootstrapping operations. Experimental results on the MNIST and FashionMNIST datasets validate the effectiveness of FHE-DiCSNN, with a loss of less than 3\% compared to plaintext, respectively, and computation times of under 1 second per prediction. We also apply the model into real medical image classification problems and analyze the parameter optimization and selection.
- Abstract（参考訳）: AI技術の急速な進歩により、データプライバシに対する懸念がますます高まり、暗号化された計算による機械学習に関する最先端の研究につながりました。
FHE(Fully Homomorphic Encryption)は、プライバシ保護のための重要な技術であり、離散整数上で動作し、加算と乗算のみをサポートするため、連続的な非ポリノミカル関数と競合する。
離散スパイク信号を使用するスパイキングニューラルネットワーク(SNN)は、FHEの特性を自然に補完する。
本稿では,TFHE方式に基づくフレームワークであるFHE-DiCSNNを紹介する。
ブートストラップ技術を活用することで、暗号文上でのLeaky Integrate-and-Fire(LIF)ニューロンモデルの実装に成功し、任意の深さのSNNを実現する。
我々のフレームワークは他のスパイクニューロンモデルにも適用可能であり、SNNの同型評価に新しいアプローチを提供する。
さらに、CNNにインスパイアされた畳み込み手法を統合し、精度を高め、ランダムエンコーディングに関連するシミュレーション時間を短縮する。
並列計算技術はブートストラップ操作をさらに加速する。
MNIST と FashionMNIST のデータセットによる実験結果から FHE-DiCSNN の有効性が検証された。
また,本モデルを実際の医用画像分類問題に適用し,パラメータの最適化と選択を解析する。
関連論文リスト
- Full Integer Arithmetic Online Training for Spiking Neural Networks [0.006486143522483092]
スパイキングニューラルネットワーク(SNN)は、その生物学的妥当性とエネルギー効率のために、ニューロモルフィックコンピューティングを約束している。
この研究は、混合精度アプローチを用いて整数のみのオンライントレーニングアルゴリズムを導入し、効率を改善し、メモリ使用量を60%以上削減する。
論文 参考訳（メタデータ） (2025-09-08T12:54:30Z) - Neural Parameter Estimation with Incomplete Data [0.0]
さまざまな理由で不完全なデータを持つニューラルネットワークを使用するのは簡単ではない。
この問題を解決するために最近提案されたアプローチでは、適切なパッド付きデータベクトルと、欠損パターンを符号化したベクトルをニューラルネットワークに入力する。
本稿ではモンテカルロ予想最大化(EM)アルゴリズムに基づく代替手法を提案する。
論文 参考訳（メタデータ） (2025-01-08T08:05:17Z) - 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) - Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - SparseProp: Efficient Event-Based Simulation and Training of Sparse
Recurrent Spiking Neural Networks [4.532517021515834]
Spiking Neural Networks(SNN)は、生物学的にインスパイアされたモデルであり、アクションポテンシャルのストリームで情報を処理できる。
SparsePropはスパースSNNをシミュレートし、訓練するための新しいイベントベースアルゴリズムである。
論文 参考訳（メタデータ） (2023-12-28T18:48:10Z) - 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) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - A Neural Network Approach for Online Nonlinear Neyman-Pearson
Classification [3.6144103736375857]
論文の中では,オンラインと非線形の両方で初となる新しいNeyman-Pearson(NP)分類器を提案する。
提案する分類器は、オンライン方式でバイナリラベル付きデータストリーム上で動作し、ユーザが指定し、制御可能な偽陽性率の検出能力を最大化する。
提案アルゴリズムは大規模データアプリケーションに適しており,実時間処理による偽陽性率制御性を実現している。
論文 参考訳（メタデータ） (2020-06-14T20:00:25Z) - 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)
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。