Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

TT-TFHE: una arquitectura de red neuronal de toro totalmente homomórfica y compatible con cifrado

Created by
  • Haebom

Autor

Adrien Benamira, Tristan Guérand , Thomas Peyrin, Sayandeep Saha

Describir

Este artículo presenta un marco TT-TFHE que realiza eficientemente la inferencia de cifrado homomórfico de modelos de aprendizaje profundo utilizando Torus FHE (TFHE). Basado en una red neuronal convolucional llamada Truth-Table Neural Networks (TTnet), escala eficazmente el uso de TFHE para conjuntos de datos tabulares y de imagen. Proporciona una implementación concreta de código abierto en Python y proporciona una implementación sencilla basada en CPU utilizando una tabla de búsqueda y una herramienta de diseño automatizada basada en TTnet. Los resultados experimentales muestran que supera las configuraciones de cifrado homomórfico existentes en términos de tiempo y precisión en tres conjuntos de datos tabulares, y supera otras configuraciones de TFHE y otros métodos de cifrado homomórfico como BFV y CKKS en conjuntos de datos de imagen MNIST y CIFAR-10. Además, tiene un uso de memoria muy bajo (decenas de MB para MNIST), que contrasta con las decenas a cientos de GB de uso de memoria requerido por otras configuraciones de cifrado homomórfico. Este es el primer estudio que proporciona inferencia privada de nivel práctico (segundos de tiempo de inferencia, decenas de MB de memoria) en conjuntos de datos de imágenes tabulares y MNIST, y es fácilmente escalable a múltiples subprocesos y usuarios en el lado del servidor.

Takeaways, Limitations

•
Takeaways:
◦
Presentación de un marco eficiente de inferencia de cifrado homomórfico de aprendizaje profundo utilizando TFHE
◦
Lograr niveles prácticos de rendimiento aplicables tanto a conjuntos de datos tabulares como de imágenes
◦
Implementar un bajo uso de memoria y una rápida velocidad de inferencia
◦
Proporcionar herramientas de diseño automatizado e implementación de hormigón de código abierto
◦
Escalabilidad a múltiples subprocesos y usuarios
•
Limitations:
◦
Falta de descripción detallada de las especificaciones de hardware y el entorno específicos.
◦
Los resultados experimentales en varios conjuntos de datos y modelos pueden ser limitados.
◦
Se necesita más investigación para mejorar y optimizar el rendimiento de las implementaciones concretas.
◦
Es posible que falte un análisis comparativo con otros esquemas FHE avanzados.
👍
Made with Slashpage