FSSDM: A Maliciously Secure Inference Scheme for Diffusion Models with Function Secret Sharing

doi:10.1109/tdsc.2026.3735518

FSSDM: A Maliciously Secure Inference Scheme for Diffusion Models with Function Secret Sharing

2026-09-22

0

PRE

AI

DOI：10.1109/tdsc.2026.3735518

原文链接

原文求助

摘要

En 中文

扩散模型（DMs）已成为生成式人工智能的基石，支持文本到图像合成和图像编辑等应用。在实践中，它们越来越多地作为基于云的服务部署，用户将输入提交给远程托管的模型进行推理，这引发了对用户数据和模型参数的严重隐私担忧。然而，现有的安全推理技术主要针对卷积神经网络（CNNs）和转换器（Transformers）设计，难以直接扩展到DMs，因为它们的架构复杂且包含大量非线性操作。在本文中，我们提出了FSSDM，一种基于函数秘密共享（FSS）的高效DMs安全推理方案。该方案建立在具有固有非合谋假设的客户-服务器两方计算设置上，确保在推理过程中不泄露模型参数和输入数据。为应对DMs中非线性函数带来的挑战，我们设计了一系列安全近似方法，将关键算子（包括Softmax、平滑激活函数和归一化层）转化为FSS友好的形式。这些设计有效保证了数值精度，并限制了迭代去噪过程中的误差累积。此外，FSSDM通过在整个推理管道中引入完整性验证机制，支持恶意安全防护。我们在四个数据集上实现了FSSDM并进行了大量实验。结果表明，我们的方法在保持高图像生成质量的同时，实现了低在线开销，与明文模型相比仅产生微小退化。

Keyword:

Privacy-preserving machine learning

diffusion model

function secret sharing

secure multi-party computation

malicious security

FSSDM: A Maliciously Secure Inference Scheme for Diffusion Models with Function Secret Sharing

摘要

期刊

机构

引用论文