論文の概要: PRISM: Sensitivity-Aware PolynoMial PRuning for EffIcient Neural Network Encryption
- arxiv url: http://arxiv.org/abs/2607.18342v1
- Date: Mon, 20 Jul 2026 05:47:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.189605
- Title: PRISM: Sensitivity-Aware PolynoMial PRuning for EffIcient Neural Network Encryption
- Title（参考訳）: PRISM: ニューラルネットワーク暗号化のための感性を考慮したポリノミアルプルーニング
- Abstract要約: 本稿では,Pruned CKKS-en critical Neural Networkの信頼性評価を行う。
PAP(Polynomial-Sensitivity-Aware Pruning)は、本質的に信頼性に配慮した構造化プルーニング法である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structured pruning is essential for making neural network inference feasible under homomorphic encryption (HE), yet its impact on model reliability has remained unexplored. This paper presents a systematic reliability characterization of pruned CKKS-encrypted neural networks and introduces Polynomial-Sensitivity-Aware Pruning (PSAP), a structured pruning method that is inherently reliability-aware. PSAP scores filters jointly by weight magnitude, polynomial activation sensitivity, and rotation cost, which concentrates pruning in fault-tolerant regions. Across two architectures, two datasets, two numerical representations, and five bit-error rates (40 full-model and 108 per-layer experiments), PSAP-pruned models limit catastrophic (>10 pp accuracy drop) layers to at most two versus 5--14 for magnitude-pruned baselines, reducing worst-case vulnerability by up to 29 times under int32 bit-flip injection. Direct CKKS encrypted fault injection indicates a safe operating boundary near BER~ 10^{-5}, supporting int32 injection as a conservative reliability proxy. The fault-critical structural layers account for only 1.1% of parameters, enabling selective hardening at minimal overhead. These reliability gains are obtained alongside competitive efficiency: PSAP reduces Halevi--Shoup rotations by up to 45.2\% on ResNet-32, and an adaptive mixed-degree allocation scheme lowers multiplicative depth from 66 to 56 levels, enabling leveled inference without bootstrapping.
- Abstract（参考訳）: 構造化プルーニングは、ニューラルネットワークの推論を同相暗号(HE)の下で実現可能にする上で不可欠であるが、モデル信頼性への影響は未解明のままである。
本稿では, Pruned CKKS-Encrypted Neural Network の信頼性を体系的に評価し, 本質的に信頼性に配慮した構造化プルーニング手法である Polynomial-Sensitivity-Aware Pruning (PSAP) を提案する。
PSAPは、耐故障性領域でのプルーニングに集中する重量等級、多項式アクティベーション感度、回転コストでフィルタを共同でスコアする。
2つのアーキテクチャ、2つのデータセット、2つの数値表現、5つのビットエラーレート(40のフルモデルと108の層毎の実験)、PSAPで実行されたモデルでは、大きめのベースラインで破滅的な(>10ppの精度低下)層を最大2対5-14に制限し、最悪のケース脆弱性をint32ビットフリップインジェクションで最大29倍削減した。
直接CKKS暗号化フォールトインジェクションはBER~10^{-5}の近くで安全な動作境界を示し、保守的な信頼性プロキシとしてint32インジェクションをサポートする。
断層臨界構造層はパラメータのわずか1.1%を占め、最小限のオーバーヘッドで選択的硬化を可能にする。
PSAPは、ResNet-32上で最大45.2\%のHalevi-Shoupローテーションを削減し、適応型混合度アロケーションスキームは、乗算深度を66から56レベルに下げ、ブートストラップなしでレベルの推論を可能にする。
関連論文リスト
- Empirical Minimal-Realisation Compression of Deep Neural Networks via Controllability-Observability Tests [10.32607023406232]
本稿では、ディープニューラルネットワークの実証的状態秩序低減のための可制御性・可観測性フレームワークを提案する。
トレーニングされたネットワークを深さインデクシングされた非線形力学系として見ることにより、データ駆動の到達性、可観測性、バランスの取れたグラミアンを構築する。
論文 参考訳（メタデータ） (2026-07-05T22:07:22Z) - Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific [0.7705076872059964]
本研究では,ハイブリッド短期気象予報モデルの精度と安定性を向上させるために,物理制約型ニューラルネットワーク(PCNN)の改良を提案する。
改良された数値解法とベータ平面近似とサブグリッドスケールの粘度を組み合わせることで、積分時間を1200秒まで4倍にすることができる。
統一された自己回帰ハイブリッドブロックは、24個の特別なモジュールの元々の連鎖を置き換え、特定のリードタイムへの過度な適合を排除した。
論文 参考訳（メタデータ） (2026-06-16T08:18:48Z) - Compressive sensing inspired self-supervised single-pixel imaging [48.79613794195208]
SISTA-Netは、単画素イメージングのための圧縮センシングインスパイアされた自己教師方式である。
我々は、適応スパース変換と学習可能なソフトスレッショルド演算子を組み合わせることで、潜伏領域に明示的な物理的間隔を課すために、ディープ非線形ネットワークを利用する。
複数のシミュレーションシナリオの実験では、SISTA-NetはPSNRの2.6dBで最先端の手法より優れていた。
論文 参考訳（メタデータ） (2026-03-31T13:31:43Z) - Enhancing and Reporting Robustness Boundary of Neural Code Models for Intelligent Code Understanding [21.582594699123277]
我々は,新しいブラックボックス・トレーニングフリーで軽量な敵防衛であるENBECOMEを提案する。
ENBECOMEは推論時にのみ動作し、入力コードスニペットにランダムなセマンティクス保存の摂動を導入する。
その結果,ENBECOMEは高い精度を維持しながら攻撃成功率を大幅に低下させることがわかった。
論文 参考訳（メタデータ） (2026-03-25T09:31:20Z) - NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。
NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
論文 参考訳（メタデータ） (2026-03-09T20:13:51Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Adversarial Robustness of Traffic Classification under Resource Constraints: Input Structure Matters [2.4779082385578337]
トラフィック分類(TC)は、特にIoTや組み込みコンテキストにおいて、サイバーセキュリティにおいて重要な役割を果たす。
ハードウェア対応ニューラルアーキテクチャサーチ(HW-NAS)を使用して、エッジプラットフォーム上で正確で効率的でデプロイ可能な軽量TCモデルを導出します。
論文 参考訳（メタデータ） (2025-12-01T23:47:22Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。
認証精度は5.78%,44.96%,43.19%であった。
論文 参考訳（メタデータ） (2020-06-01T05:55:18Z)
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。