효율적인 통신을 통한 프라이버시 보호 수직 연합 학습 개선
수직 연합 학습에서 서버와 클라이언트 간 통신 비용을 줄이고 성능을 향상시키기 위해 다중 헤드 프레임워크와 ADMM 기반 최적화 방법을 제안한다.
정확하고 빠른 프라이버시 보호 기계 학습: 안전한 룩업 테이블 계산 활용
본 연구에서는 로지스틱 회귀 및 신경망 모델에 대한 새로운 프라이버시 보호 기계 학습 프로토콜을 설계하고 구현한다. 기존 방식의 비효율성과 부정확성을 해결하기 위해 비선형 활성화 함수 계산에 비밀 공유 룩업 테이블을 활용한다. 이를 통해 계산 효율성과 정확도를 향상시킨다. 또한 완전한 정보 은닉을 넘어 완화된 보안 모델을 제안하여 계산 자원을 크게 줄인다.
효율적이고 정확한 트랜스포머 프라이버시 추론 프로토콜: CipherFormer
CipherFormer는 동형 암호화와 가아블 회로를 활용하여 트랜스포머 모델의 효율적이고 정확한 프라이버시 보호 추론을 가능하게 하는 새로운 접근법이다. 이를 통해 기존 방식 대비 3-11% 향상된 정확도와 7.7-11.9배 빠른 추론 속도를 달성한다.
효율적인 동형 암호화 기반 전이 학습을 통한 프라이버시 보호
동형 암호화를 사용하여 클라이언트의 데이터 프라이버시를 보호하면서도 전이 학습을 효율적으로 수행할 수 있는 HETAL 알고리즘을 제안한다.
효율적인 동형 암호화 기반 전이 학습을 통한 프라이버시 보호
동형 암호화를 사용하여 클라이언트의 데이터 프라이버시를 보호하면서도 전이 학습을 효율적으로 수행할 수 있는 HETAL 알고리즘을 제안한다.
효율적인 동형 암호화 기반 전이 학습을 통한 프라이버시 보호
동형 암호화를 사용하여 클라이언트의 데이터 프라이버시를 보호하면서도 효율적으로 전이 학습을 수행할 수 있는 HETAL 알고리즘을 제안한다.
안전하고 빠른 MKTFHE 기반 프라이버시 보호 분산 기계 학습
본 논문은 MKTFHE 기반 분산 복호화 프로토콜을 이용하여 프라이버시 보호 로지스틱 회귀 및 신경망 모델을 구현한다. 비밀 공유를 통해 부분 복호화와 최종 복호화를 보호하고, 동종기화기와 비교 쿼드를 설계하여 MKTFHE에 적합한 활성화 함수를 제안한다. 이를 통해 기존 시그모이드 함수 대비 효율성이 크게 향상되면서도 정확도는 유사한 수준을 달성한다.
© 2024 by Linnk AI