Mahmoud Y. M. Yassin氏らの研究チームは9月12日(現地時間)、Torus Fully Homomorphic Encryption (TFHE) 環境下における暗号化推論を効率化する「EI-DDLGN」を発表した。この手法はDeep Differentiable Logic Gate Networks (DDLGNs) を用いることで、機密データを保護しつつ、推論のレイテンシを大幅に改善するとしている。
Torus Fully Homomorphic Encryption (TFHE) は、アウトソースされた深層学習アプリケーションにおいて機密データを保護する強力な手段を提供する。しかし、TFHEに対応する既存のニューラルネットワークフレームワークの多くは、算術ベースのアーキテクチャに依存しており、プログラマブルブートストラップ (Programmable Bootstrap、PBS) のオーバーヘッド、アキュムレータの成長、回路のビット幅感度が原因で、推論時のレイテンシが高いという課題があった。
Mahmoud Y. M. Yassin氏らの研究チームは、TFHE環境下での暗号化推論におけるBooleanネイティブな代替案として、Deep Differentiable Logic Gate Networks (DDLGNs) を詳細に調査した。DDLGNsはBoolean演算を直接学習し、固定された論理ゲートネットワークへと離散化される特性を持つ。このため、その推論プロセスはTFHEのBoolean実行モデルと自然に整合し、隠れ層での算術的な蓄積を回避することが可能となる。
研究チームは、TFHEベースのDDLGN推論に関する初の包括的な研究として「EI-DDLGN」を発表した。この研究では、暗号化された実行コストがモデルサイズ、学習されたBoolean関数の分布、および伝播するワイヤの状態にどのように依存するかを詳細に分析し、その関係性を明らかにしている。
さらに、研究チームはモデル固定ワイヤPBSバイパス (Model-Fixed-Wire PBS Bypass、MFW-PBS Bypass) と呼ばれる、セマンティクスを維持した実行戦略を導入した。これは、学習済みのネットワークトポロジーを変更することなく、不要なPBS操作を排除することで、効率的な推論を実現する。MNIST、FashionMNIST、UCI Phishingのデータセットにおける72種類の深さ・幅の設定で評価した結果、DDLGNsは算術ベースのTFHE推論に代わる効率的な選択肢であることが示された。これにより、精度とレイテンシのトレードオフが大幅に改善された。特にMNISTデータセットにおいては、EI-DDLGN-SmallがQuantization-Aware Training Fully Connected Neural Network 4 (QAT-FCNN-4) と同等の精度を維持しながら、暗号化推論のレイテンシを13.4倍削減したことが報告されている。
参考: arXiv cs.CR — 2026年9月15日 13:00 (JST)