Une approximation homomorphique argmax efficace pour des réseaux neuronaux préservant la vie privée

Les réseaux neuronaux préservant la vie privée offrent une solution prometteuse pour entraîner et prédire sans fuite de la vie privée des utilisateurs, et le chiffrement homomorphe complet (FHE) se distingue comme l'une des technologies clés, car il permet des opérations homomorphes sur des données chiffrées. Cependant, seuls des homomorphismes d'addition et de multiplication sont supportés par le FHE, et donc, il fait face à d'énormes défis lors de l'implémentation de fonctions non linéaires avec des entrées de texte chiffré. Parmi les fonctions non linéaires dans les réseaux neuronaux, on peut citer la fonction d'activation, la fonction argmax et le pooling maximum. Inspiré par l'utilisation d'une composition de polynômes minimax de faible degré pour approcher les fonctions signe et argmax, cette étude s'est concentrée sur l'optimisation de l'approximation homomorphique argmax, où argmax est une opération mathématique qui identifie l'indice de la valeur maximale dans un ensemble donné de valeurs. Pour la méthode qui utilise des compositions de polynômes minimax de faible degré pour approcher argmax, afin de réduire davantage les erreurs d'approximation et d'améliorer l'efficacité computationnelle, nous proposons un algorithme d'approximation homomorphique argmax amélioré qui comprend des phases d'accumulation de rotation, de comparaison en structure d'arbre, de normalisation et de finalisation. Ensuite, l'algorithme homomorphique argmax proposé a été intégré dans une structure de réseau neuronal. Les expériences comparatives indiquent que le réseau avec notre algorithme argmax proposé a atteint une légère augmentation de la précison tout en réduisant significativement la latence d'inférence de 58 %, car les opérations homomorphes de signe et de rotation ont été rapidement réduites.