高效的隐私保护KAN推断方法基于同态加密
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了在推断过程中，Kolmogorov-Arnold网络（KAN）面临的隐私泄露问题。提出了一种针对KAN的隐私保护推断方案，采用任务特定的多项式近似方法提高对SiLU激活函数的精确度，并在同态加密域内计算B样条函数。实验证明，该方案在多个数据集上的准确性与纯文本KAN相当，同时在CIFAR-10数据集上的推断延迟比传统方法快超过7倍。
设计隐私保护深度学习模型是挑战，同态加密（HE）是有前景的方法，可以解耦模型所有者和数据所有者。研究者引入多项式变换器，并提供使用HE进行安全推断的示例。模型在性能上与传统方法相当，填补了变换器之间的差距，突出了HE的可行性。还评估了模型的稳定性，并进行了消融实验。
