May, 2021

HEMET: 一种支持同态加密的隐私保护移动神经网络架构

PDF
TL;DR本论文提出了一种 HEMET 的 HE 友好型隐私保护移动神经网络架构，相较于之前的 PPNNs，HEMET 可以降低推理延迟 59.3%~61.2% 并提高 0.4%~0.5% 的推理精度。
homomorphic encryptionprivacy-preserving neural networksmobile network architecturehemetinference latency
发现论文，激发创造
  • 神经网络训练和推理中利用同态加密实现数据隐私保护

    本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略，并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明，尽管同态加密可以为神经网络提供强大的数据隐私保证，但仍存在许多挑战需要解决，例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。

    May, 2023

  • GuardML: 通过混合同态加密实现高效隐私保护的机器学习服务

    以保护隐私和安全的机器学习模型为目标，我们提出了一种基于混合同态加密方案的隐私保护机器学习方法，通过使用混合同态加密构建安全的分类结果学习模型，同时保护输入数据和机器学习模型的隐私。我们通过开发和评估一个基于混合同态加密的隐私保护机器学习应用程序，用于基于敏感心电图数据的心脏疾病分类，证明了我们方法的实际可行性。这种混合同态加密方案的成功整合为相对受限的末端设备上的机器学习提供了一个更安全、更注重隐私的未来展望。

    Jan, 2024

  • Artemis: 面向高效隐私保护机器学习的 HE 感知训练

    通过使用一种新颖的组 Lasso 正则化目标和修剪技术，我们提出了一种在基于同态加密的推断中非常有效的神经网络修剪技术 Artemis，并证明当应用于现代卷积模型（ResNet18 和 ResNet18）时，可以在三个数据集上实现 1.2-6 倍的性能提升。

    Oct, 2023

  • 使用同态加密敏感调整大规模 CNN，实现端到端的安全预测

    本文提出了一种新的 HE-friendly 模型的训练方法，展示了如何使用 HC Layers SDK 运行加密样本，并证明该模型可以在保持高准确度的同时，大大节省运行时间；研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略，并且通过改编 CLIP 模型实现了安全的零 - shot 预测。

    Apr, 2023

  • HEQuant: 结合同态加密和量化的通信高效私有推断

    HEQuant 是基于低精度量化感知优化的 HE 协议，在保护数据隐私的同时能够显著降低通信开销和延迟，相较于其他先前的 HE 协议和网络优化框架，HEQuant 在通信和性能方面都能取得显著的提升。

    Jan, 2024

  • 具有转移学习的隐私保护卷积神经网络训练

    这篇论文提出了一种基于同态加密技术的隐私保护卷积神经网络训练的实现解决方案，并应用转移学习简化了 CNN 的训练问题。

    Apr, 2023

  • 私有可靠的神经网络推理

    本研究提出了一个名为 Phoenix 的系统，通过设计随机平滑的核心算法构建块的高效完全同态加密（FHE）对应项，使得可靠 NN 进行隐私保护的推理成为可能，并通过实验证明，Phoenix 在实现隐私保护的同时不会产生极高的延迟。

    Oct, 2022

  • nGraph-HE: 一种基于同态加密数据的深度学习图编译器

    Intel's nGraph-HE, an extension of nGraph, enables the deployment of deep learning models on ciphertext using homomorphic encryption as a hardware target, allowing DL-aware optimizations and integration with popular frameworks such as TensorFlow to benchmark models with minimal overhead.

    Oct, 2018

  • CryptoNN：在加密数据上训练神经网络

    提出了一种名为 CryptoNN 的框架，该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练，以解决神经网络模型训练过程中的隐私问题，并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。

    Apr, 2019

  • 基于全同态加密的树型隐私推断

    本文介绍了使用 Fully Homomorphic Encryption 应用于基于树的数据模型，通过 Concrete-ML 库在加密选项卡 ular 数据上得到最先进的解决方案，此方法适用于决策树，随机森林和梯度提升树等广泛使用的基于树的模型，而且在准确性方面与未受保护版本非常接近。

    Feb, 2023