Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2024.10a
  • /
  • Pages.338-341
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Intermediate Data Guided Approximation for Fast and Accurate Encrypted Neural Networks

빠르고 정확한 암호화된 신경망 연산을 위한 중간 데이터를 활용한 근사식 생성 기술

  • Kevin Nam (Dept. of Electrical and Computer Enginering and Inter-University Semiconductor Research Center(ISRC), Seoul National University) ;
  • Youyeon Joo (Dept. of Electrical and Computer Enginering and Inter-University Semiconductor Research Center(ISRC), Seoul National University) ;
  • Seungjin Ha (Dept. of Electrical and Computer Enginering and Inter-University Semiconductor Research Center(ISRC), Seoul National University) ;
  • Yunheung Paek (Dept. of Electrical and Computer Enginering and Inter-University Semiconductor Research Center(ISRC), Seoul National University)
  • 남기빈 (서울대학교 전기정보공학부, 서울대학교 반도체 공동연구소) ;
  • 주유연 (서울대학교 전기정보공학부, 서울대학교 반도체 공동연구소) ;
  • 하승진 (서울대학교 전기정보공학부, 서울대학교 반도체 공동연구소) ;
  • 백윤흥 (서울대학교 전기정보공학부, 서울대학교 반도체 공동연구소)
  • Published : 2024.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

동형암호는 프라이버시 보존형 신경망 연산을 가능캐한다. 하지만 동형암호는 비산술연산을 직접 연산하지 못해 근사식을 활용하는데, 신경망 정확도 하락을 일으킨다. 이를 극복하기 위해 재학습, Neural Architecture Search 등 방법들이 등장했지만, 큰 소요시간을 필요로 한다. 본 연구는 이 둘보다 빠르면서도 정확도 하락을 적게 일으키는 중간값 유도 근사식 생성 기술을 제안한다.

Keywords

Acknowledgement

이 논문은 연구 수행에 있어 2024년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원과(RS-2023-00277326) 정보통신기획평가원의 지원을받아 수행된 연구이며 (No.2021-0-00528, No.RS-2023-00277060, IITP-2023-RS-2023-00256081) 2024년도 BK21 FOUR 정보기술 미래인재 교육연구단, 반도체 공동연구소 지원의 결과물이다. 또한, 연구장비를 지원하고 공간을 제공한 서울대학교 컴퓨터연구소에 감사드린다.

References

  1. Lee, Eunsang, et al. "Low-complexity deep convolutional neural networks on fully homomorphic encryption using multiplexed parallel convolutions." International Conference on Machine Learning. PMLR, 2022.
  2. Kim, Donghwan, et al. "HyPHEN: A Hybrid Packing Method and Its Optimizations for Homomorphic Encryption-Based Neural Networks." IEEE Access (2023).
  3. CHEON, Jung Hee, et.al. "Homomorphic encryption for arithmetic of approximate numbers", ASIACRYPT 2017, Hong Kong, China, December 3-7, 2017, p. 409-437.
  4. CHILLOTTI, et.al. "TFHE: fast fully homomorphic encryption over the torus", Journal of Cryptology, 2020, 33.1: 34-91.
  5. Ao, Wei, and Vishnu Naresh Boddeti. "{AutoFHE}: Automated Adaption of {CNNs} for Efficient Evaluation over {FHE}." 33rd USENIX Security Symposium (USENIX Security 24). 2024.
  6. Francois Chollet. Keras. https://keras.io, 2015.
  7. Weiss, Karl, Taghi M. Khoshgoftaar, and DingDing Wang. "A survey of transfer learning." Journal of Big data 3 (2016): 1-40.