論文の概要: Jaguar: Fast Private CNN Inference with Power-of-Two Homomorphic Arithmetic

• arxiv url: http://arxiv.org/abs/2606.11827v1
• Date: Wed, 10 Jun 2026 09:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:34:33.976675
• Title: Jaguar: Fast Private CNN Inference with Power-of-Two Homomorphic Arithmetic
• Title（参考訳）: Jaguar: パワーオブツー同型算術を用いた高速プライベートCNN推論
• Authors: Yewon Jeong, Nayoung Jung, Hyeri Roh, Woo-Seok Choi,
• Abstract要約: 本稿では,1つの設計選択に基づいて構築されたJaguarについて述べる。 Jaguarは、Cheetahよりも2.07-3.72倍、Rhombusより2.16-3.36倍、Cheetahより1.16-1.76倍低通信を実現している。
• 参考スコア（独自算出の注目度）: 0.8399688944263844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid HE/2PC private CNN inference remains bottlenecked by prime-modulus homomorphic arithmetic in convolution and by a precision flow that runs ReLU at doubled bitwidth before invoking a separate truncation protocol. We present Jaguar, a system built on a single design choice--a power-of-two ciphertext ring--that addresses both. The choice enables SPA-Conv, a coefficient-domain convolution kernel that replaces NTT-centric polynomial multiplication with scalar-polynomial accumulation, and an exact ciphertext-side truncation by local right shifts that lets ReLU run directly at the target fixed-point precision and eliminates the post-ReLU truncation protocol. Where NTT remains genuinely useful--at the client, for the single polynomial multiplication during decryption--we recover it through an auxiliary NTT prime, preserving the power-of-two protocol substrate while keeping decryption O(N log N). On ImageNet-scale ResNet-18, ResNet-50, and MobileNetV2 with AVX disabled, Jaguar achieves 2.07-3.72x lower end-to-end latency than Cheetah and 2.16-3.36x lower than Rhombus, with 1.16-1.76x lower communication than Cheetah.
• Abstract（参考訳）: HE/2PCプライベートCNNのハイブリッド推論は、畳み込みにおける素モジュラー準同型算術や、分離されたトランケーションプロトコルを呼び出す前にReLUを2ビット幅で実行した精度の流れによってボトルネックが残っている。 本稿では,1つの設計選択に基づいて構築されたJaguarについて述べる。 この選択により、NTT中心の多項式乗算をスカラー・ポリノミカル累積に置き換える係数領域の畳み込みカーネルであるSPA-Convと、ReLUをターゲットの固定点精度で直接実行し、ポストReLUトランケーションプロトコルを除去するローカル右シフトによる正確な暗号文側の切り込みが可能になる。 NTTが真に有用である場合、-クライアントでは、復号化中の1つの多項式乗算に対して、補助NTT素数を通して復号化を行い、復号化O(N log N)を維持しながら、2つのプロトコル基板を保存する。 ImageNet-scale ResNet-18、ResNet-50、MobileNetV2でAVXを無効にすると、JaguarはCheetahよりも2.07-3.72倍、Rhombusより2.16-3.36倍、Cheetahより1.16-1.76倍低い通信を実現している。

関連論文リスト

• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• GSPN-2: Efficient Parallel Sequence Modeling [101.33780567131716]
  一般化空間伝搬ネットワーク(GSPN)は2次自己アテンションを直線走査型伝搬方式に置き換えることでこの問題に対処する。 GSPN-2は、視覚アプリケーションにおけるグローバル空間コンテキストをモデル化するための新しい効率フロンティアを確立する。
  論文  参考訳（メタデータ） (2025-11-28T07:26:45Z)
• Orthogonal Finetuning Made Scalable [92.34573849209238]
  OFT(Orthogonal Finetuning)は、壊滅的な忘れ込みを防止しつつ、パラメータ効率の高い適応を提供するが、実行時とメモリの要求が高いため、実際のデプロイメントが制限される。 ここでは,OFTの計算ボトルネックを重み中心の実装とみなす。 本稿では,行列ベクトル乗法(行列フリー計算)を用いて,計算コストを2次に削減する入力中心の変換法OFTv2を提案する。 これらの変更により、OFTv2は最大10倍の高速トレーニングと3倍のGPUメモリ使用率を達成することができる。
  論文  参考訳（メタデータ） (2025-06-24T17:59:49Z)
• Efficient Homomorphically Encrypted Convolutional Neural Network Without Rotation [6.03124479597323]
  本稿では, HE方式の安全性に影響を与えることなく, 暗号文の回転を除去する新しい構成法とフィルタ係数パッキング方式を提案する。 CIFAR-10/100データセット上のさまざまなプレーン20に対して、私たちの設計は、最高の事前設計と比較して、Conv層とFC層のランニング時間を15.5%削減し、クライアントとサーバ間の通信コストを50%以上削減します。
  論文  参考訳（メタデータ） (2024-09-08T19:46:25Z)
• NeuJeans: Private Neural Network Inference with Joint Optimization of Convolution and FHE Bootstrapping [10.82887308632024]
  NeuJeansは、深層畳み込みニューラルネットワーク(CNN)のPIのためのFHEベースのソリューションである 本稿では,Coefficients-in-activation (CinS) 符号化と呼ばれる新しい符号化手法を提案する。 NeuJeansは、最先端のFHEベースのPIワークと比較して、conv2d-Slotシーケンスのパフォーマンスを最大5.68倍高速化する。
  論文  参考訳（メタデータ） (2023-12-07T15:23:07Z)
• Hyena: Optimizing Homomorphically Encrypted Convolution for Private CNN Inference [1.4548651568912525]
  本稿では, 高速化, 通信コスト, ストレージを節約できる新しい同型畳み込みアルゴリズムを提案する。 全体として、ハイエナは1.6-3.8倍のスピードアップを達成し、従来の畳み込みに比べて2000-8000倍の重量貯蔵を減少させる。
  論文  参考訳（メタデータ） (2023-11-21T10:53:10Z)
• MicroNet: Towards Image Recognition with Extremely Low FLOPs [117.96848315180407]
  MicroNetは計算コストの極めて低い効率的な畳み込みニューラルネットワークである。 MicroNetのファミリは、低いFLOP体制における最先端技術よりも大きなパフォーマンス向上を実現している。 例えば、MicroNet-M1は12のMFLOPを持つImageNet分類において61.1%のトップ-1の精度を達成し、MobileNetV3を11.3%上回っている。
  論文  参考訳（メタデータ） (2020-11-24T18:59:39Z)
• Efficient Integer-Arithmetic-Only Convolutional Neural Networks [87.01739569518513]
  我々は従来のReLUを境界ReLUに置き換え、その減少は活性化量子化によるものであることを示す。 我々の整数ネットワークは、対応するFPNネットワークと同等の性能を発揮するが、メモリコストは1/4に過ぎず、最新のGPUでは2倍高速である。
  論文  参考訳（メタデータ） (2020-06-21T08:23:03Z)
• Discrimination-aware Network Pruning for Deep Model Compression [79.44318503847136]
  既存のプルーニング手法は、スクラッチからスパーシティ制約で訓練するか、事前訓練されたモデルと圧縮されたモデルの特徴マップ間の再構成誤差を最小限に抑えるかのいずれかである。 本稿では,識別能力に実際に寄与するチャネルを選択するために,識別認識チャネルプルーニング (DCP) と呼ばれる簡便な手法を提案する。 画像分類と顔認識の両方の実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-04T07:07:41Z)

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。