BriefGPT - AI 论文速递
·
AutoFHE：用于 FHE 上高效评估的 CNN 自动适应
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了使用CKKS算法的机器学习即服务（MLaaS）机制，通过充分同态加密（FHE）保护输入数据和模型参数，解决了现有文章忽略模型参数安全问题和高层级实现不提供对CNNs中常见操作的精确性、安全性和速度之间权衡问题。在MNIST数据集上进行测试，结果表明设计参数选择对正确性、安全性和计算时间产生重要影响，同时密文打包策略和多线程并行化也影响推断过程的吞吐量和延迟。
🎯
关键要点
- 介绍充分同态加密 (FHE) 在机器学习中的应用。
- 现有文章忽略模型参数的安全问题。
- 高层级实现未提供对CNNs中常见操作的精确性、安全性和速度之间的权衡。
- 基于CKKS算法提出使用FHE保护输入数据和模型参数的MLaaS机制。
- 在MNIST数据集上进行了实现和测试。
- 设计参数选择对正确性、安全性和计算时间产生重要影响。
- 密文打包策略和多线程并行化影响推断过程的吞吐量和延迟。
➡️
