Secure and Efficient Machine Learning Frameworks through Homomorphic Secure Protocols

点击翻译按钮获取中文摘要

本研究は、安全かつ効率的な機械学習を目指し、アルゴリズム、プロトコルコンパイラおよび専用ハードウェアをそれぞれ設計し、包括的なフレームワークとして実現することを目的とした。本研究は、三つのレイヤに分けて研究を進み、以下の成果を挙げることができた。アプリケーション層: 実際の医療機関で研究されているニューラルネットワークによる心臓の診療に向けて安全計算のプロトコルを設計した。アプリケーションで実際要する診療精度を保ったまま、ニューラルネットワークアーキテクチャを調整した結果、既存研究より14倍ほど計算速度が上がり、CT一枚当たり3,054秒の計算時間を実現し、医療画像分野のトップ会議であるMICCAI 2020に論文採択された。プロトコル層: ニューラルネットワークに基づく秘匿推論において、準同型暗号に基づく秘匿畳み込み演算のプロトコルを提案した。従来プロトコルと違い、提案プロトコルでは数論変換を用いらない秘匿畳み込み演算を提案し、高速な秘匿畳み込み演算を実現すると同時に専用ハードウェアでエネルギー効率を大幅に上げた。関連する論文はセキュリティ分野のトップジャーナルであるIEEE Transactions on Information Forensics and Securityに掲載された。ハードウェア層: 如何に効率的にハードウェアを用いて、安全計算で広く用いられる格子暗号に関わる計算が行えるかを検討し、GPU上で自動的に最適パラメータを見つけ出すパラメータチューニングフレームワークを開発し、回路とシステム分野の最大級の会議であるIEEE International Symposium on Circuits and Systems (ISCAS) 2021に論文採択され、本研究の成果をオープンソース化した。