Keyed Chaotic Dynamics for Privacy-Preserving Neural Inference

要約

ニューラルネットワークによる推論は通常、生の入力データに対して行われるため、前処理や推論中に暴露されるリスクが高まる。さらに、ニューラルネットワークアーキテクチャには、入力データを直接認証するための効率的なメカニズムが組み込まれていない。本研究では、ニューラルネット推論の安全性を確保するための新しい暗号化手法を紹介する。鍵条件付きカオスグラフ力学系を構築することにより、ニューラルアーキテクチャ内で実数値テンソルの暗号化と復号化を可能にする。提案する力学系は、初期条件に敏感であり、コンパクトなルールから複雑で鍵に依存する非線形変換を生成できるため、暗号化に特に適している。本研究は、ニューラル推論の安全性を確保するためのパラダイムを確立し、ニューラル・ネットワークのセキュリティにおけるグラフ力学系の応用に関する研究に新たな道を開くものである。

要約(オリジナル)

Neural network inference typically operates on raw input data, increasing the risk of exposure during preprocessing and inference. Moreover, neural architectures lack efficient built-in mechanisms for directly authenticating input data. This work introduces a novel encryption method for ensuring the security of neural inference. By constructing key-conditioned chaotic graph dynamical systems, we enable the encryption and decryption of real-valued tensors within the neural architecture. The proposed dynamical systems are particularly suited to encryption due to their sensitivity to initial conditions and their capacity to produce complex, key-dependent nonlinear transformations from compact rules. This work establishes a paradigm for securing neural inference and opens new avenues for research on the application of graph dynamical systems in neural network security.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL