이 연구는 입력 전체가 아니라 민감한 관심 영역(ROI)만 암호화해 추론하는 '선택적 동형암호 추론'을 제안한다. 암호화되지 않은 나머지 부분은 평문으로 계산하면서도, 전체를 동형암호화(FHE)했을 때와 동일한 출력을 재훈련 없이 얻을 수 있다. 효율성은 암호화된 의존성이 신경망 내에서 얼마나 빨리 퍼지는가에 좌우되며, 지역성을 보존하는 아키텍처에서는 작은 ROI만으로도 수십 배의 속도 향상이 가능한 반면, 초기에 전역 정보를 섞는 아키텍처는 거의 이득이 없었다. 이는 지역성이 선택적 동형암호 추론의 효율을 결정하는 핵심 설계 요소임을 보여준다.
- •입력 전체가 아닌 민감 영역(ROI)만 암호화해 FHE 연산 비용을 절감하는 방식 제안
- •재훈련 없이 전체 FHE와 동일한 출력을 보장
- •지역성 보존 아키텍처는 작은 ROI로도 order-of-magnitude 속도 향상 달성
- •초기 전역 혼합 구조를 가진 모델은 선택적 암호화 이득이 거의 없음을 확인
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Encrypt What Matters: When Selective Homomorphic Inference Is Efficient
- 1.민감 영역(ROI)만 암호화하고 나머지는 평문 처리하는 '선택적 동형암호 추론' 기법 제안
- 2.전체 FHE와 동일한 출력을 재학습 없이 보장, 효율은 암호화 의존성 전파 속도에 좌우
- 3.지역성 보존 아키텍처는 동형연산에서 수십 배 속도 향상, 초기 전역 믹싱 구조는 효과 없음
- 4.지역성(locality)이 선택적 동형추론 이득을 좌우하는 핵심 아키텍처 속성으로 규명
왜 중요한가?
FHE 전체 적용의 막대한 연산 비용 문제를 모델 재설계나 재학습 없이 민감 부위만 암호화해 완화할 수 있음을 보여줘, 프라이버시 보존 추론의 실용화 문턱을 낮춘다.
본문 미리보기
arXiv:2609.09357v1 Announce Type: new Abstract: Fully homomorphic encryption (FHE) enables inference on private data without revealing it to the server, but evaluating an entire input under FHE is expensive. We study \emph{selective homomorphic inference}, where only a sensitive region of interest (ROI) is encrypted, and computations independent of that region are performed in plaintext. Selective evaluation produces the same output as full FHE on the same model, without retraining. Its efficie
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
