완전동형암호화(FHE)를 사용한 합성곱 신경망(CNN) 추론은 민감한 사용자 데이터의 프라이버시를 보호하면서 서버로 전체 연산 과정을 오프로드할 수 있게 해주는 FHE의 능력 덕분에 유망한 프라이빗 추론(PI) 솔루션이다. FHE 기반의 선행 CNN(HCNN) 연구에서는 FHE를 사용하여 ResNet과 같은 딥 신경망 아키텍처를 구축하는 것이 가능함을 보여주었다. 그러나 이러한 발전에도 불구하고, HCNN은 높은 계산 및 메모리 오버헤드로 인해 실용성 측면에서 여전히 중대한 과제에 직면해 있다. 이러한 제한을 극복하기 위해 본 연구에서는 새로운 합성곱 알고리즘(RAConv 및 CAConv), 데이터 패킹 방법(2D gap packing 및 PRCR scheme), 그리고 HCNN 구축에 특화된 최적화 기법을 통합한 딥 HCNN 구축인 HyPHEN을 제시한다. 이러한 개선을 통해 HyPHEN은 메모리 사용량의 크기와, 암호문 회전 및 부트스트래핑과 같은 값비싼 동형암호 연산의 횟수를 상당히 줄일 수 있다. 그 결과, HyPHEN은 HCNN CIFAR-10 추론의 지연 시간을 실용적인 수준인 1.4초(ResNet-20)로 낮추었으며, HCNN ImageNet 추론을 처음으로 14.7초(ResNet-18)에 도달하는 성능으로 시연하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.