Classificação de Imagens Encriptadas com Baixa Pegada de Memória Usando Criptografia Totalmente Homomórfica

Classificar imagens tornou-se uma tarefa simples e acessível, graças ao advento das Redes Neurais Profundas. No entanto, pouca atenção é dada às preocupações de privacidade associadas aos dados sensíveis contidos nas imagens. Neste estudo, propomos uma solução para esse problema explorando uma interseção entre Aprendizado de Máquina e criptografia. Em particular, a Criptografia Totalmente Homomórfica (FHE) se destaca como uma solução promissora, pois permite que cálculos sejam realizados em dados encriptados. Portanto, propomos uma implementação de Rede Residual baseada em FHE que permite a classificação de imagens encriptadas, garantindo que apenas o usuário possa ver o resultado. Sugerimos um circuito que reduz os requisitos de memória em mais de Formula: see text em comparação com os trabalhos mais recentes, mantendo um alto nível de precisão e um tempo computacional curto. Implementamos o circuito usando o conhecido esquema Cheon–Kim–Kim–Song (CKKS), que permite cálculos encriptados aproximados. Avaliamos os resultados sob três perspectivas: requisitos de memória, tempo computacional e precisão dos cálculos. Demonstramos que é possível avaliar uma ResNet20 encriptada em menos de cinco minutos em um laptop usando aproximadamente 15Formula: see textGB de memória, alcançando uma precisão de 91,67% no conjunto de dados CIFAR-10, o que é quase equivalente à precisão do modelo plano (92,60%).