神经网络量化加速同态加密
摘要：隐私保护神经网络推理的一项技术是同态加密(HE)，它可以对加密数据进行计算。这种技术的一个缺点是它比在未加密数据上计算慢几个数量级。神经网络通常使用浮点数进行训练，而大多数同态加密库使用整数进行计算，因此需要对神经网络进行量化。一种直接的方法是将量化为较大的整数大小(例如32位)，以避免大量化误差。在这项工作中，我们使用量化感知训练方法减小网络的整数大小，以实现更高效的计算。对于Badawi等人提出的目标MNIST架构，我们将整数大小减小了33%而不会显著损失准确性，而对于CIFAR架构，我们可以将整数大小减小43%。使用SEAL实现BFV同态加密方案下得到的网络，我们能够将MNIST神经网络的执行时间缩短80%，CIFAR神经网络的执行时间缩短40%。
作者：Wouter Legiest, Jan-Pieter D'Anvers, Furkan Turan, Michiel Van Beirendonck and Ingrid Verbauwhede
论文ID：2304.09490
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-31