레벨드 FHE 기반 프라이버시 보호 CNN을 위한 저차 다항식 근사와 구조 최적화

초록

**
본 논문은 레벨드 완전동형암호(LFHE) 환경에서 부팅스트래핑 없이 깊은 합성곱 신경망을 실행하기 위해, 2차 다항식으로 ReLU를 근사하고, 네트워크 구조와 연산 흐름을 최적화하는 네 가지 기법을 제안한다. 제안 기법은 곱셈 깊이를 최소화하고, 파라미터 클러스터링·엔셈블 기반 인코딩을 통해 연산량을 크게 줄이며, CIFAR‑10 및 Tiny‑ImageNet에서 VGG·ResNet 모델을 테스트해 기존 방법 대비 최대 4배 빠른 추론 속도와 평문 ReLU와 동등한 정확도를 달성한다.

**

상세 분석

**
논문은 먼저 FHE에서 비선형 활성함수를 구현하려면 다항식 근사가 필수이며, 다항식 차수가 커질수록 곱셈 깊이와 부팅스트래핑 필요성이 급증한다는 점을 지적한다. 기존 최선의 접근인 PILLAR는 차수‑4 다항식을 사용해 곱셈 깊이 3을 요구하지만, 이 역시 깊은 CNN에서는 학습 불안정과 정확도 손실을 초래한다. 저자들은 이론적으로 최소 곱셈 깊이 1을 달성할 수 있는 2차 다항식 (x^{2}+c_{1}x+c_{0}) 를 선택하고, “패널티 기반 훈련”이라는 새로운 손실 항을 도입해 활성값이 근사 구간 (