Efficient privacy-preserving LSTM inference on encrypted sequential data

doi:10.1016/j.neucom.2026.134508

Efficient privacy-preserving LSTM inference on encrypted sequential data

2026-07-01

0

PRE

AI

DOI：10.1016/j.neucom.2026.134508

原文链接

原文求助

摘要

En 中文

近期全同态加密（FHE）的进展已实现直接在加密数据上的隐私保护机器学习。作为一种代表性的循环架构，长短期记忆（LSTM）网络被广泛用于建模序列依赖关系，但现有的FHE基LSTM推理方案仍存在高延迟和可扩展性有限的问题。本文提出了一种基于FHE的高效隐私保护LSTM加密序列数据推理协议。我们在非线性激活函数前插入轻量级归一化模块以约束隐藏状态，从而通过混合Remez和最小二乘策略，实现Sigmoid、Tanh和平方根倒数函数的精确低次多项式近似。我们使用Lattigo库实现了所提出的协议，并集成了密文打包优化、旋转最小化和SIMD基并行化。实验表明，在标准文本分类基准上，我们的加密LSTM与明文模型相比具有竞争力，并且始终优于当前最优的FHE基方法，速度提升最高达4.7倍。

Keyword:

Machine learning as a service

Privacy preserving machine learning

Homomorphic encryption

LSTM

Efficient privacy-preserving LSTM inference on encrypted sequential data

摘要

期刊

机构

引用论文