Fugu-MT 論文翻訳(概要): EI-DDLGN: Efficient Encrypted Inference with Deep Differentiable Logic Gate Networks under TFHE

論文の概要: EI-DDLGN: Efficient Encrypted Inference with Deep Differentiable Logic Gate Networks under TFHE

arxiv url: http://arxiv.org/abs/2609.13636v1
Date: Sat, 12 Sep 2026 01:00:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.426826
Title: EI-DDLGN: Efficient Encrypted Inference with Deep Differentiable Logic Gate Networks under TFHE
Title（参考訳）: EI-DDLGN: TFHE下での深い微分可能な論理ゲートネットワークを用いた効率的な暗号化推論
Abstract要約: EI-DDLGNはTFHEに基づくDDLGN推論の詳細な研究である。セマンティクス保存型実行戦略である Model-Fixed-Wire PBS Bypass も導入する。 MNIST, FashionMNIST, UCI Phishing における72の深さ幅構成に対する評価の結果, DDLGN が TFHE 推論の効率的な代替となることが示された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Privacy-preserving inference via Torus Fully Homomorphic Encryption (TFHE) provides strong protection for sensitive data in outsourced deep learning applications. However, most TFHE-compatible neural network frameworks remain based on arithmetic neural architectures, resulting in high inference latency due to programmable bootstrapping (PBS), accumulator growth, and circuit bit-width sensitivity. In this work, we investigate Deep Differentiable Logic Gate Networks (DDLGNs) as a Boolean-native alternative for encrypted inference under TFHE. Because DDLGNs learn Boolean computations directly and discretize into fixed logic gate networks, their inference procedure is naturally aligned with TFHE's Boolean execution model and avoids arithmetic accumulation in hidden layers. We present EI-DDLGN, the first in-depth study of TFHE-based DDLGN inference, and characterize how encrypted execution cost depends on model size, learned Boolean-function distribution, and propagated wire status. We also introduce Model-Fixed-Wire PBS Bypass (MFW-PBS Bypass), a semantics-preserving execution strategy that eliminates unnecessary PBS operations without modifying the learned network topology. Evaluations across 72 depth-width configurations on MNIST, FashionMNIST, and UCI Phishing show that DDLGNs constitute an efficient alternative to arithmetic TFHE inference, achieving substantially improved accuracy-latency trade-offs. Notably, on MNIST, EI-DDLGN-Small matches the accuracy of QAT-FCNN-4 while reducing encrypted inference latency by 13.4x. Our implementation is available at https://github.com/Carleton-SCI/EI-DDLGN
Abstract（参考訳）: Torus Fully Homomorphic Encryption (TFHE)によるプライバシ保護推論は、アウトソースされたディープラーニングアプリケーションにおいて、機密データに対する強力な保護を提供する。しかし、ほとんどのTFHE互換ニューラルネットワークフレームワークは算術的ニューラルネットワークアーキテクチャに基づいており、プログラム可能なブートストラップ(PBS)、アキュムレータ成長、回路ビット幅感度による高い推論遅延をもたらす。本研究では,TFHEに基づく暗号化推論のブールネイティブな代替手段として,Deep Differentiable Logic Gate Networks (DDLGNs) について検討する。 DDLGNはBoolean計算を直接学習し、固定論理ゲートネットワークに離散化するため、推論手順はTFHEのBoolean実行モデルと自然に一致し、隠れた層に算術的な蓄積を避ける。 EI-DDLGNはTFHEに基づくDDLGN推論の詳細な研究であり、暗号化された実行コストがモデルサイズ、学習ブール関数分布、伝播ワイヤ状態にどのように依存するかを特徴付ける。また、学習ネットワークトポロジを変更することなく不要なPBS操作を除去するセマンティックス保存実行戦略であるMFW-PBSバイパス(MFW-PBS Bypass)を導入する。 MNIST, FashionMNIST, UCI Phishing の72の深さ幅構成で評価した結果, DDLGNs は演算TFHE推論の代替として有効であり, 精度とレイテンシのトレードオフを大幅に改善することがわかった。特にMNISTでは、EI-DDLGN-SmallがQAT-FCNN-4の精度と一致し、暗号化された推論遅延を13.4倍削減した。私たちの実装はhttps://github.com/Carleton-SCI/EI-DDLGNで公開されています。

関連論文リスト

On the Depth Scalability of Logic Gate Networks [8.615180964202992]
入出力論理ゲートネットワーク(IALGN)について紹介する。 IALGNは100層を超えて一貫した固定幅深度-精度の向上を実現していることを示す。これらの結果から,LGNにおける拡張性は,安定な最適化と情報アクセスパターンの両方を必要とすることが示された。
論文参考訳（メタデータ） (2026-07-19T20:11:53Z)
TorchLean: Formalizing Neural Networks in Lean [71.68907600404513]
本稿では,学習モデルを一級数学的対象として扱うフレームワークであるTorchLeanを紹介する。我々はTorchLeanのエンドツーエンドを、証明された堅牢性、PINNの物理インフォームド残差、Lyapunovスタイルのニューラルコントローラ検証で検証する。
論文参考訳（メタデータ） (2026-02-26T05:11:44Z)
Causal Autoregressive Diffusion Language Model [70.7353007255797]
CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
論文参考訳（メタデータ） (2026-01-29T17:38:29Z)
Efficient and Encrypted Inference using Binarized Neural Networks within In-Memory Computing Architectures [2.5756681494057045]
Binarized Neural Networks (BNN) は、最小限の計算資源を利用するように設計されたディープニューラルネットワークのクラスである。近年の研究では、BNNモデルパラメータを新しい不揮発性メモリ技術にマッピングする可能性を強調している。しかし、モデルパラメータを暗号化されたフォーマットに格納し、実行時に復号化することにより、盗難攻撃から保護することで、計算オーバーヘッドが大幅に増大する。
論文参考訳（メタデータ） (2025-10-27T05:59:02Z)
DESIGN: Encrypted GNN Inference via Server-Side Input Graph Pruning [21.652233892742366]
DESIGN(EncrypteD GNN Inference via sErver-Side Input Graph pruNing)は、効率的な暗号化GNN推論のための新しいフレームワークである。当社のフレームワークは,サーバ上で完全に実行される階層的最適化戦略により,大幅なパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-07-08T04:01:53Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
FOBNN: Fast Oblivious Inference via Binarized Neural Networks [13.635520737380103]
本稿では,二元化ニューラルネットワークを用いた高速なOblivious推論フレームワークであるFOBNNを提案する。我々はビット長境界(BLB)アルゴリズムを開発し,ビット表現の最小化と冗長計算の低減を図る。また、リンク最適化と構造探索により、二項化ニューラルネットワーク構造も強化する。
論文参考訳（メタデータ） (2024-05-06T03:12:36Z)
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文参考訳（メタデータ） (2022-08-08T03:13:24Z)
RED++ : Data-Free Pruning of Deep Neural Networks via Input Splitting and Output Merging [36.027765880474526]
Pruning Deep Neural Networks (DNN) は、推論ランタイムアクセラレーションの目標において、顕著な研究分野である。本稿では,新しいデータフリープルーニングプロトコルRED++を紹介する。ハッシュによる精度の保存に関する理論的および実証的な保証について検討する。
論文参考訳（メタデータ） (2021-09-30T09:31:11Z)
GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2021-09-06T03:17:10Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)

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。