earticle

영어

Recent advances in Privacy-Preserving Machine Learning (PPML) have actively explored the use of homomorphic encryption (HE), which enables computations to be performed directly on encrypted client data, thereby preserving data privacy. However, HE does not inherently guarantee circuit privacy, potentially resulting in the unintended leakage of the server’s computational model. Furthermore, when computations require a certain level of multiplicative depth, a bootstrapping process becomes necessary, which can slow down the overall computation. In this paper, we propose a method that protects the server’s computational model by re-randomizing ciphertext noise during homomorphic operations. At the same time, we reduce computational overhead by performing bootstrapping using the communication channel. Thus, we present a computationally efficient PPML framework that ensures circuit privacy.

한국어

최근 동형암호를 사용한 프라이버시 보호 머신러닝(Privacy-Preserving Machine Learning, PPML)에 대한 연구가 활발히 진행되고 있다. 동형암호를 사용하는 경우 클라이언트의 데이터를 암호화된 상태로 기계학습 연산을 할 수 있어 데이터 프라 이버시를 보장할 수 있다. 그러나 동형암호가 회로 프라이버시를 보장하지 않기 때문에 서버의 연산 모델이 유출될 수 있다는 문제점이 있다. 또한, 연산에 일정 이상의 곱셈 깊이가 요구되는 경우, 부트스트래핑 과정을 수행해야 하며, 이로 인해 전체적 인 연산 속도가 저하될 수 있다. 본 논문에서는 서버의 동형연산 과정에서 암호문의 노이즈를 재랜덤화함으로써 서버의 연산 모델을 보호하고, 동시에 통신 환경을 활용한 부트스트래핑을 통해 연산 오버헤드를 줄이는 방법을 제안한다. 이를 통해 데이 터 프라이버시와 회로 프라이버시를 모두 보장하면서도 계산 효율성을 갖춘 PPML 프레임워크를 제시한다.