TFHE 기반 프라이버시 보존 추론은 외부 위탁 딥러닝에서 민감 데이터를 강력히 보호하지만, 기존 TFHE 호환 신경망은 대부분 산술 연산 기반이라 프로그래밍 가능한 부트스트래핑(PBS), 누산기 증가, 회로 비트폭 민감성 때문에 추론 지연이 크다. 이 논문은 불리언 연산을 직접 학습해 고정된 논리 게이트 네트워크로 이산화하는 심층 미분가능 논리 게이트 네트워크(DDLGN)를 TFHE의 불리언 실행 모델에 자연스럽게 맞는 대안으로 제시한다. TFHE 기반 DDLGN 추론을 심층 분석한 최초 연구인 EI-DDLGN을 소개하며, 학습된 네트워크 위상을 바꾸지 않고 불필요한 PBS 연산을 없애는 실행 전략(MFW-PBS Bypass)도 함께 제안한다. MNIST·FashionMNIST·UCI Phishing 72개 설정 평가에서 DDLGN이 정확도-지연 트레이드오프를 크게 개선했으며, MNIST에서는 EI-DDLGN-Small이 QAT-FCNN-4와 동등한 정확도를 유지하면서 암호화 추론 지연을 13.4배 줄였다.
- •불리언 연산을 직접 학습하는 DDLGN을 TFHE 암호화 추론의 산술 기반 대안으로 제시
- •학습된 네트워크 위상을 바꾸지 않고 불필요한 PBS 연산을 제거하는 MFW-PBS Bypass 전략 도입
- •MNIST·FashionMNIST·UCI Phishing 72개 설정에서 정확도-지연 트레이드오프 대폭 개선
- •MNIST에서 EI-DDLGN-Small이 QAT-FCNN-4와 동등한 정확도로 암호화 추론 지연 13.4배 감소
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.
EI-DDLGN: Efficient Encrypted Inference with Deep Differentiable Logic Gate Networks under TFHE
- 1.TFHE 암호화 추론에서 산술 신경망 대신 불(Boolean) 네이티브인 로직게이트망(DDLGN)을 최초로 심층 연구
- 2.DDLGN은 고정 로직게이트망으로 이산화돼 TFHE 불 연산 모델과 맞아떨어져 산술 누적 연산을 회피
- 3.불필요한 프로그램가니블 부트스트래핑(PBS)을 제거하는 MFW-PBS Bypass 기법 제시
- 4.MNIST에서 EI-DDLGN-Small이 QAT-FCNN-4와 동등한 정확도로 암호화 추론 지연시간을 13.4배 단축
왜 중요한가?
동형암호 기반 추론은 강력한 프라이버시 보호를 제공하지만 지연시간이 걸림돌이었는데, 불 네이티브 아키텍처가 정확도 손실 없이 지연시간을 대폭 줄일 수 있음을 보여줘 실용화 가능성을 높인다.
언급 프로젝트
본문 미리보기
arXiv:2609.13636v1 Announce Type: new Abstract: Privacy-preserving inference via Torus Fully Homomorphic Encryption (TFHE) provides strong protection for sensitive data in outsourced deep learning applications. However, most TFHE-compatible neural network frameworks remain based on arithmetic neural architectures, resulting in high inference latency due to programmable bootstrapping (PBS), accumulator growth, and circuit bit-width sensitivity. In this work, we investigate Deep Differentiable Lo
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
