Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

TT-TFHE : une architecture de réseau neuronal entièrement homomorphe et compatible avec le chiffrement en tore

Created by
  • Haebom

Auteur

Adrien Benamira, Tristan Guérand , Thomas Peyrin, Sayandeep Saha

Contour

Cet article présente un framework TT-TFHE qui réalise efficacement l'inférence de chiffrement homomorphe de modèles d'apprentissage profond à l'aide de Torus FHE (TFHE). Basé sur un réseau neuronal convolutif appelé Truth-Table Neural Networks (TTnet), il optimise efficacement l'utilisation de TFHE pour les jeux de données tabulaires et d'images. Il propose une implémentation concrète open source en Python et une implémentation simple basée sur le processeur, utilisant une table de correspondance et un outil de conception automatisé basé sur TTnet. Les résultats expérimentaux montrent qu'il surpasse les paramètres de chiffrement homomorphe existants en termes de temps et de précision sur trois jeux de données tabulaires, ainsi que d'autres paramètres TFHE et d'autres méthodes de chiffrement homomorphe telles que BFV et CKKS sur les jeux de données d'images MNIST et CIFAR-10. De plus, son utilisation mémoire est très faible (quelques dizaines de Mo pour MNIST), ce qui contraste avec les dizaines à centaines de Go d'utilisation mémoire requis par d'autres paramètres de chiffrement homomorphe. Il s'agit de la première étude à fournir une inférence privée de niveau pratique (secondes de temps d'inférence, dizaines de Mo de mémoire) sur des ensembles de données d'images tabulaires et MNIST, et elle est facilement évolutive vers plusieurs threads et utilisateurs côté serveur.

Takeaways, Limitations

Takeaways:
Présentation d'un cadre efficace d'inférence de chiffrement homomorphe par apprentissage profond utilisant TFHE
Atteindre des niveaux de performance pratiques applicables aux ensembles de données tabulaires et d'images
Mise en œuvre d'une faible utilisation de la mémoire et d'une vitesse d'inférence rapide
Fournir des outils d'implémentation et de conception automatisés de béton open source
ÉVolutivité vers plusieurs threads et utilisateurs
Limitations:
Manque de description détaillée des spécifications matérielles et de l'environnement spécifiques.
Les résultats expérimentaux sur divers ensembles de données et modèles peuvent être limités.
Des recherches supplémentaires sont nécessaires pour améliorer et optimiser les performances des implémentations concrètes.
Une analyse comparative avec d’autres programmes FHE avancés peut faire défaut.
👍