霍恩斯-CNN模型:一个节能,完全同型的残留数系统卷积神经网络模型,用于隐私保护的阅读障碍神经生物标志物的分类

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 基于云的机器学习 (ML) 能够从神经成像数据远程识别神经发育障碍的神经生物标志物.
• 由于神经成像数据集的敏感性,安全的深度学习 (DL) 算法至关重要.
• 现有的完全同型加密 (FHE) 深卷积神经网络 (CNN) 模型的准确性低,延迟高,效率低下.

研究的目的:

• 引入HoRNS-CNN模型,以对加密的神经成像数据进行高效,保护隐私的预测.
• 解决当前FHE-CNN模型的局限性,包括精度,延迟和计算开销.
• 证明拟议模型的能源效率和同型性.

主要方法:

• 将残留数系统FHE (RNS-FHE) 方案与预先训练的深度CNN模型集成,用于基于云的分析.
• FPGA实现了RNS-FHE方案,嵌入了8位灰度像素加密的同态编码器/解码器电路.
• 使用泰勒多项式近似和批量规范化进行高精度同态计算,调整 ReLU 激活函数.

主要成果:

• 霍恩斯-CNN模型有效地管理了加密图像扩展,并提高了非对称的复杂性.
• 与现有的FHE-CNN模型相比,表现出更高的性能和更快的特征提取.
• 在一小时内实现了40万个神经生物标记特征的高效预测.

结论:

• 霍恩斯-CNN为神经成像数据的隐私保护分析提供了有效的解决方案.
• 该模型提高了识别神经发育障碍神经生物标志物的安全性和效率.
• HoRNS-CNN代表了安全的基于云的医疗应用深度学习的重大进步.