論文の概要: AutoPoly-HE: Autonomous Design of Polynomial Activations for Privacy-Preserving Encrypted Inference
- arxiv url: http://arxiv.org/abs/2610.19325v1
- Date: Wed, 14 Oct 2026 00:05:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.857926
- Title: AutoPoly-HE: Autonomous Design of Polynomial Activations for Privacy-Preserving Encrypted Inference
- Title（参考訳）: AutoPoly-HE:プライバシ保護暗号化推論のためのポリノミアルアクティベーションの自律設計
- Abstract要約: ホモモルフィック暗号化(HE)は、暗号化されたデータのセキュアな推論を可能にする。
HEは、機械学習モデルに見られる非線形アクティベーション関数とは互換性がない。
本稿では,各データセットとモデルに適したアクティベーション関数を選択する自律的フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.056427818985196
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Privacy-preserving machine learning has become critical for deploying artificial intelligence in sensitive domains such as healthcare, finance, and infrastructure monitoring. Homomorphic encryption (HE) enables secure inference on encrypted data. Despite its advantages, HE is not compatible with nonlinear activation functions found in machine learning models. Existing methods mitigate this problem by manually designing polynomial approximations for these activation functions. However, these functions do not account for the differences in dataset characteristics or model architecture. Furthermore, these functions are also limited to the accuracies of convolutional neural network (CNN) models. In this work, we propose an autonomous framework that selects polynomial activation functions tailored to each dataset and model. Using this framework, we analyze the interdependence between polynomial activation design and model architecture by evaluating several CNN ResNet and Vision Transformer models across multiple datasets. Experimental results demonstrate that the proposed framework generalizes across multiple architectures, including ResNet-18, ResNet-34, ResNet-50, ViT-S/16, ViT-B/16, and ViT-L/16. Across all datasets, transformer-based models maintain higher accuracy under polynomial approximation, while convolutional models exhibit increased degradation as task complexity grows. In addition, latency analysis reveals that the proposed CLS token based inference pipeline significantly reduces computational overhead by eliminating depth-dependent operations, shifting the primary cost to encryption and decryption. These findings demonstrate that the proposed method not only adapts polynomial activations across architectures, but also enables efficientencrypted inference through both activation design and pipeline optimization.
- Abstract（参考訳）: プライバシを保存する機械学習は、医療、金融、インフラ監視といったセンシティブなドメインに人工知能をデプロイするために重要になっている。
ホモモルフィック暗号化(HE)は、暗号化されたデータのセキュアな推論を可能にする。
その利点にもかかわらず、HEは機械学習モデルに見られる非線形アクティベーション関数とは互換性がない。
既存の方法はこれらの活性化関数の多項式近似を手動で設計することでこの問題を軽減する。
しかし、これらの機能はデータセットの特徴やモデルアーキテクチャの違いを考慮していない。
さらに、これらの機能は畳み込みニューラルネットワーク(CNN)モデルの精度にも制限される。
本研究では,各データセットとモデルに合わせた多項式活性化関数を選択する自律的フレームワークを提案する。
このフレームワークを用いて,CNN ResNetとVision Transformerモデルを複数のデータセットで評価することにより,多項式アクティベーション設計とモデルアーキテクチャの相互依存性を解析する。
実験の結果,提案フレームワークはResNet-18, ResNet-34, ResNet-50, ViT-S/16, ViT-B/16, ViT-L/16など,複数のアーキテクチャにわたって一般化されている。
全てのデータセットにおいて、変換器ベースのモデルは多項式近似の下で高い精度を維持し、畳み込みモデルはタスクの複雑さが増大するにつれて劣化を増大させる。
さらに、遅延解析により、提案したCLSトークンベースの推論パイプラインは、深さ依存の操作を排除し、主要なコストを暗号化と復号化にシフトすることで、計算オーバーヘッドを大幅に削減することを明らかにした。
これらの結果から,提案手法はアーキテクチャ全体にわたる多項式のアクティベーションに適応するだけでなく,アクティベーション設計とパイプライン最適化の両面から効率的な推論を可能にすることが示唆された。
関連論文リスト
- Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE [1.3047787405425166]
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。
論文 参考訳（メタデータ） (2026-03-25T03:15:59Z) - PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation [0.8197459420866039]
ホモモーフィック暗号化(HE)は、暗号化されたデータの計算を可能にするソリューションを提供する。
HEは、非線形アクティベーション機能に依存しているため、畳み込みニューラルネットワーク(CNN)のような機械学習モデルとは相容れないままである。
この研究は、標準非線形関数を準同型互換近似に置き換える最適化されたフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T03:57:12Z) - efunc: An Efficient Function Representation without Neural Networks [46.76882780184126]
本稿では,連続関数モデリングのための新しいフレームワークを提案する。
次に、ニューラルネットワークと複素構造の両方をバイパスするパラメータ効率関数に基づいて、コンパクトな関数表現を導入する。
論文 参考訳（メタデータ） (2025-05-27T15:16:56Z) - Degree-Optimized Cumulative Polynomial Kolmogorov-Arnold Networks [0.0]
Kolmogorov-Arnold Network (CP-KAN) はチェビシェフ基底関数と2次非制約バイナリ最適化(QUBO)を組み合わせたニューラルネットワークである。
コントリビューションでは、次数選択問題をQUBOタスクとして再構成し、複雑性を$O($N)から1層当たりの最適化ステップに短縮する。
このアーキテクチャは、限られたデータを持つ回帰タスクにおいてよく機能し、入力スケールと自然な正規化特性を基礎として、優れた堅牢性を示す。
論文 参考訳（メタデータ） (2025-05-21T07:59:12Z) - Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。
ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。
複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
論文 参考訳（メタデータ） (2025-04-02T05:50:19Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - AutoFHE: Automated Adaption of CNNs for Efficient Evaluation over FHE [17.869772108541998]
本稿では,RSS-CKKSの下でセキュアな推論を行うAutoFHEを提案する。
我々は、AutoFHEが高次手法と比較して、セキュアな推論を1.32times$から1.8times$に加速することを示す。
また、低度の手法に比べて2.56%の精度向上を実現している。
論文 参考訳（メタデータ） (2023-10-12T03:28:14Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z)
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。