离散余弦变换加密网络:在频域中扩展私有推理
原文中文,约500字,阅读约需2分钟。发表于: 。本研究解决了现有全同态加密(FHE)在深度神经网络中实施的计算成本、延迟和可扩展性问题。通过引入DCT-CryptoNets,以频域学习为基础,显著降低了同态操作的计算负担,实现了更高效、可靠的加密推理,特别是在图像分类任务中,推理延迟减少至2.5小时,且加密精度的变异性也得到了有效降低。
该论文介绍了对Wilkie、Stonham和Aleksander的Recognition Device (WiSARD)和Weightless Neural Networks (WNNs)进行训练和推理的同态评估方法。WNN在性能上表现更好,准确性下降相对较小。他们开发了一个完整的框架,在经过加密训练后的MNIST数据集上获得91.7%的准确率,并在3.5小时内提升至93.8%。对于HAM10000数据集,经过1.5分钟的加密训练,准确率为67.9%,在1小时后提升至69.9%。该框架的速度提升了最多1200倍,准确率下降最多为5.4%。对于HAM10000数据集,准确率提升0.65%,速度比Glyph快60倍。同时,他们还提供了小规模加密训练的解决方案。