論文の概要: FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding

• arxiv url: http://arxiv.org/abs/2606.16359v1
• Date: Mon, 15 Jun 2026 07:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.042237
• Title: FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding
• Title（参考訳）: FEnc$^2$: 畳み込みとアーキテクチャを考慮したフラグメントエンコーディングによる効率的なプライベート推論のためのデータパッキング
• Authors: Ran Ran, Zhaoting Gong, Nuo Xu, Yuanchao Xu, Fan Yao, Wujie Wen,
• Abstract要約: ホモモルフィック暗号化(FHE)は、プライバシを保存する機械学習を可能にするが、極端な計算とメモリオーバーヘッドを引き起こす。 FEnc2はCKKSベースのプライベート畳み込みニューラルネットワーク推論のための統一的で原則化されたフラグメントベースの符号化フレームワークである。 これにより、NTTやキーウィッチといったプリミティブレベルの最適化によって、ハードウェア上での暗号文のカウントとワークロードのプレッシャーを低減することができる。
• 参考スコア（独自算出の注目度）: 26.667496203770074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully Homomorphic Encryption (FHE) enables privacy-preserving machine learning but incurs extreme computational and memory overhead. These costs come not only from expensive low-level primitives, including Number Theoretic Transform (NTT), rotation, and key-switching, but also from inefficient ciphertext packing at the application level. Existing packing strategies typically preserve either neighboring data elements or feature grouping, but not both, leading to wasted ciphertext slots, excessive rotations, and inflated ciphertext counts. We propose FEnc2, a unified and principled fragment-based encoding framework for CKKS-based private convolutional neural network inference. FEnc2 optimizes slot utilization, rotation complexity, and ciphertext density through two components: 1)Conv-aware Encoding, which analytically selects an optimal fragment size to decouple spatial dependencies and jointly minimize inner-outer rotations across layers, and 2)Arch-aware Ct Compression, which restores ciphertext density after feature- or channel-reduction layers. Together, these transformations reshape encrypted workload structure and reduce homomorphic operations by one to two orders of magnitude. With full memory capacity utilized, i.e., at maximum batch size, FEnc2 achieves end-to-end latency speedups over the state-of-the-art Orion of up to 228.83x on GPU and 226.06x on CPU for LeNet on MNIST, and up to 4.55x on GPU and 9.43x on CPU for MobileNet on ImageNet. FEnc2 is hardware-agnostic yet architecturally transformative: by optimizing encrypted tensor layout before execution, it reduces ciphertext count and workload pressure on hardware, complementing primitive-level optimizations such as NTT and keyswitch accelerators. These results show that application-level data layout is a first-order architectural design dimension for encrypted inference and an important enabler for next-generation FHE systems.
• Abstract（参考訳）: FHE(Fully Homomorphic Encryption)は、プライバシ保護機械学習を実現するが、極端な計算とメモリオーバーヘッドを引き起こす。 これらのコストは、NTT(Number Theoretic Transform)、ローテーション、キースイッチングなどの高価な低レベルプリミティブだけでなく、アプリケーションレベルでの非効率な暗号文パッキングからもたらされる。 既存のパッキング戦略は、典型的には隣接するデータ要素または機能グループを保存しているが、どちらも保持せず、無駄な暗号文スロット、過剰なローテーション、膨らませた暗号文数に繋がる。 本稿では、CKKSに基づくプライベート畳み込みニューラルネットワーク推論のための、統一的で原則化されたフラグメントベースの符号化フレームワークであるFEnc2を提案する。 FEnc2は, スロット利用, 回転複雑性, 暗号文密度を2つのコンポーネントで最適化する。1) 空間依存を分離し, 層間における内外回転を最小化するために, 最適フラグメントサイズを解析的に選択するConv-aware Encoding, 2) 特徴層やチャネル還元層後の暗号文密度を復元するArch-aware Ct Compressionである。 これらの変換は、暗号化されたワークロード構造を再構築し、ホモモルフィックな操作を1桁から2桁に削減する。 FEnc2は最大バッチサイズで、GPUで228.83x、MNISTで226.06x、GPUで4.55x、ImageNetで9.43xという最先端のOrion上でのエンドツーエンドのレイテンシ高速化を実現する。 FEnc2はハードウェアに依存しないがアーキテクチャ上、実行前に暗号化テンソルレイアウトを最適化することで、ハードウェア上での暗号文数とワークロードプレッシャーを低減し、NTTやキーウィッチアクセラレーションのようなプリミティブレベルの最適化を補完する。 これらの結果から、アプリケーションレベルのデータレイアウトは、暗号化された推論のための一階のアーキテクチャ設計次元であり、次世代のFHEシステムにとって重要な実現方法であることが示された。

関連論文リスト

• WHET: Welding Homomorphic Encryption to Accelerator Architectures [3.4027459785553]
  ホモモルフィック暗号化(英語版) (FHE) は復号化せずに暗号化されたデータの計算を可能にする。 それまでの取り組みは、暗号とアルゴリズムの強化やハードウェアアクセラレーションを通じて、FHEのパフォーマンスを着実に改善してきた。 メモリ中心のアーキテクチャを意識した最適化を導入し、暗号とアルゴリズムの構成をFHEアクセラレータアーキテクチャと整合させる。
  論文  参考訳（メタデータ） (2026-06-10T01:04:58Z)
• 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)
• Triple-Hoisted Baby-Step Giant-Step Linear Transformation over CKKS Homomorphic Encryption and Hardware Accelerator [3.050919759387984]
  ホモモルフィック暗号化(HE)は、プライバシ保護のクラウドコンピューティングには不可欠である。 線形変換は、大きな言語モデルを含むニューラルネットワークで広く使われている。 本稿では, CKKS HE評価に必要な暗号文の回転回数を大幅に削減するために, ベビーステップを分解する3重ホスティング・ベビーステップ・ジャイアントステップアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-17T01:57:35Z)
• FedBit: Accelerating Privacy-Preserving Federated Learning via Bit-Interleaved Packing and Cross-Layer Co-Design [2.255961793913651]
  完全同型暗号化(FHE)を備えたフェデレートラーニング(FL)は、モデルアグリゲーション中にデータプライバシを効果的に保護する。 FedBit は Brakerski-Fan-Vercauteren (BFV) スキームのためのハードウェア/ソフトウェアの共同設計フレームワークである。 FedBitは、ビットインターリーブデータパッキングを使用して、複数のモデルパラメータを単一の暗号係数に埋め込む。
  論文  参考訳（メタデータ） (2025-09-27T03:58:16Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• Cheddar: A Swift Fully Homomorphic Encryption Library Designed for GPU Architectures [2.613335121517245]
  完全なホモモルフィック暗号化(FHE)は、暗号化されたデータに対するセキュアな計算を可能にすることによって、クラウドコンピューティングをプライバシの懸念から解放する。 我々は、GPUのための高性能なFHEライブラリであるCheddarを紹介し、従来のGPU実装よりも大幅に高速化した。
  論文  参考訳（メタデータ） (2024-07-17T23:49:18Z)
• INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
  計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。 InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。 1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
  論文  参考訳（メタデータ） (2023-08-11T04:24:39Z)
• BiFSMNv2: Pushing Binary Neural Networks for Keyword Spotting to Real-Network Performance [54.214426436283134]
  Deep-FSMNのようなディープニューラルネットワークはキーワードスポッティング(KWS)アプリケーションのために広く研究されている。 我々は、KWS、すなわちBiFSMNv2のための強力で効率的なバイナリニューラルネットワークを提示し、それを実ネットワーク精度のパフォーマンスにプッシュする。 小型アーキテクチャと最適化されたハードウェアカーネルの利点により、BiFSMNv2は25.1倍のスピードアップと20.2倍のストレージ節約を実現できる。
  論文  参考訳（メタデータ） (2022-11-13T18:31:45Z)
• FFConv: Fast Factorized Neural Network Inference on Encrypted Data [9.868787266501036]
  本稿では、畳み込みと暗号文のパッキングを統一するFFConvと呼ばれる低ランク分解法を提案する。 先行技術であるLoLaとFalconと比較して,提案手法は,それぞれ最大87%,12%の遅延を減少させる。
  論文  参考訳（メタデータ） (2021-02-06T03:10:13Z)

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。