다양한 차수의 합성 미니맥스 근사 다항식이 완전 동형 암호 상에서의 컨볼루션 신경망 네트워크에 미치는 영향

Vol. 33, No. 6, pp. 861-868, 12월. 2023
JKIISC.2023.33.6.861, Full Text:
Keywords: Fully homomorphic encryption, Privacy-Preserving Machine Learning, Composite Minimax Polynomial, Convolutional Neural Network
Abstract

보안을 유지하는 가운데 딥 러닝을 이용하여 데이터 분석 결과를 제공하는 서비스의 핵심적인 기술 중의 하나로 완전 동형 암호가 있다. 완전 동형 암호화된 데이터 간의 연산의 제약으로 인해 딥 러닝에 사용되는 비산술 함수를 다항식으로 근사해야 한다. 현재까지는 합성 미니맥스 다항식을 사용하여 비산술 함수를 근사한 다항식을 컨볼루션 뉴럴 네트워크에 적용했을 때 계층별로 같은 차수의 다항식만 적용하였는데, 이는 완전 동형 암호를 위한 효과적인 네트워크의 설계에 어려움을 준다. 본 연구는 합성 미니맥스 다항식으로 설계한 근사 다항식의 차수를 계층별로 서로 다르게 설정하여도 컨볼루션 뉴럴 네트워크에서 데이터의 분석에 문제가 없음을 이론적으로 증명하였다.

Statistics
Show / Hide Statistics

Statistics (Cumulative Counts from December 1st, 2017)
Multiple requests among the same browser session are counted as one view.
If you mouse over a chart, the values of data points will be shown.


Cite this article
[IEEE Style]
이정현 and 노종선, "The Impact of Various Degrees of Composite Minimax Approximate Polynomials on Convolutional Neural Networks over Fully Homomorphic Encryption," Journal of The Korea Institute of Information Security and Cryptology, vol. 33, no. 6, pp. 861-868, 2023. DOI: JKIISC.2023.33.6.861.

[ACM Style]
이정현 and 노종선. 2023. The Impact of Various Degrees of Composite Minimax Approximate Polynomials on Convolutional Neural Networks over Fully Homomorphic Encryption. Journal of The Korea Institute of Information Security and Cryptology, 33, 6, (2023), 861-868. DOI: JKIISC.2023.33.6.861.