Um Modelo de Inferência de Rede Neural Convolucional Seguro Baseado em Criptografia Homomórfica

A utilização de modelos de inferência de rede neural convolucional (CNN) ganhou ampla adoção em diversos domínios; no entanto, levanta preocupações sobre a privacidade e segurança do usuário devido à exigência de informações em texto simples durante o processo de inferência. A criptografia homomórfica foi proposta como uma solução viável para abordar os problemas de segurança da CNN. No entanto, esse algoritmo de criptografia encontra algumas limitações, como a expansão significativa do texto cifrado, poder computacional não linear restrito e número limitado de multiplicações, o que impede sua aplicação em modelos de inferência de CNN. Neste artigo, apresentamos uma estrutura de modelo de inferência que aproveita as funções de múltiplos dados de instrução única e rotação de texto cifrado da criptografia homomórfica, juntamente com o conceito de compartilhamento secreto aditivo (ASS) para projetar e transformar cada camada da rede da CNN. Nossa abordagem mitiga efetivamente a taxa de expansão do texto cifrado enquanto melhora a eficiência computacional e reduz o volume de comunicação sem comprometer a precisão da inferência.