완전 동형암호화(Fully homomorphic encryption, FHE)는 개인정보 보호를 위한 기계학습(privacy-preserving machine learning, PPML)을 위한 유망한 도구이다. 다양한 FHE 스킴과 접근법을 기반으로 여러 PPML 모델이 제안되어 왔다. FHE 스킴은 PPML 모델을 구현하기 위한 도구로서 적합하지만, CryptoNet, SEALion, CryptoDL과 같은 FHE 기반 기존 PPML 모델들은 단순하고 표준적이지 않은 유형의 기계학습 모델에 제한되어 있으며, 보다 실용적이고 고도화된 데이터셋에서 효율성과 정확성을 입증하지 못했다. 기존 PPML 스킴은 근사 방법을 채택하기보다는 비산술(non-arithmetic) 활성화 함수를 단순 산술 함수로 대체하였고, 연속적인 동형 연산을 가능하게 하는 부트스트래핑(bootstrapping)을 사용하지 않았다. 따라서 이들은 표준 활성화 함수를 사용할 수도 없었고, 많은 수의 층을 활용할 수도 없었다. 본 연구에서는 먼저, 부트스트래핑을 포함한 RNS-CKKS FHE로 표준 ResNet-20 모델을 구현하고, CIFAR-10 데이터셋 및 평문(plaintext) 모델 매개변수로 구현된 모델을 검증한다. 비산술 함수를 단순 산술 함수로 대체하는 대신, 충분한 정밀도로 ReLU 및 Softmax와 같은 이러한 비산술 함수를 평가하기 위해 최신 수준의 근사(approximation) 방법을 사용한다. 또한, 제안된 모델에서 RNS-CKKS 스킴의 부트스트래핑 기법을 처음으로 적용하여 암호화된 데이터 상에서 임의의 딥러닝 모델을 평가할 수 있게 한다. 수치적으로, CIFAR-10 데이터셋을 사용한 제안 모델이 암호화되지 않은 데이터의 원래 ResNet-20 모델과 98.43% 동일한 결과를 보임을 검증하였다. 제안 모델의 분류 정확도는 92.43±2.65%로, 원래 ResNet-20 CNN 모델(91.89%)과 매우 가깝다. 추론(inference)은 112코어의 듀얼 Intel Xeon Platinum 8280 CPU와 172 GB 메모리를 사용할 때 약 3 h가 소요된다. 우리는 이러한 결과가 FHE를 고도화된 딥 PPML 모델에 적용할 가능성을 열어준다고 믿는다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.