Buchumschlag

Dash: Accelerating Distributed Private Convolutional Neural Network Inference with Arithmetic Garbled Circuits

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sander, Jonas, Berndt, Sebastian, Bruhns, Ida, Eisenbarth, Thomas
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ReDASH: Fast and efficient Scaling in Arithmetic Garbled Circuits for Secure Outsourced Inference
von: Maurer, Felix, et al.
Veröffentlicht: (2025)

Non-omniscient backdoor injection with one poison sample: Proving the one-poison hypothesis for linear regression, linear classification, and 2-layer ReLU neural networks
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2025)

Comparison of Fully Homomorphic Encryption and Garbled Circuit Techniques in Privacy-Preserving Machine Learning Inference
von: Cheerla, Kalyan, et al.
Veröffentlicht: (2025)

NeuJeans: Private Neural Network Inference with Joint Optimization of Convolution and FHE Bootstrapping
von: Ju, Jae Hyung, et al.
Veröffentlicht: (2023)

Silenzio: Secure Non-Interactive Outsourced MLP Training
von: Sander, Jonas, et al.
Veröffentlicht: (2025)

TrEEStealer: Stealing Decision Trees via Enclave Side Channels
von: Sander, Jonas, et al.
Veröffentlicht: (2026)

Fast and Private Inference of Deep Neural Networks by Co-designing Activation Functions
von: Diaa, Abdulrahman, et al.
Veröffentlicht: (2023)

Fast Evaluation of S-boxes with Garbled Circuits
von: Pohle, Erik, et al.
Veröffentlicht: (2024)

Cascade: Token-Sharded Private LLM Inference
von: Thomas, Rahul, et al.
Veröffentlicht: (2025)

Dashed Line Defense: Plug-And-Play Defense Against Adaptive Score-Based Query Attacks
von: Fu, Yanzhang, et al.
Veröffentlicht: (2026)

Private Blind Model Averaging - Distributed, Non-interactive, and Convergent
von: Kirschte, Moritz, et al.
Veröffentlicht: (2022)

SafeLight: Enhancing Security in Optical Convolutional Neural Network Accelerators
von: Afifi, Salma, et al.
Veröffentlicht: (2024)

Adversarial Attacks on Locally Private Graph Neural Networks
von: Varun, Matta, et al.
Veröffentlicht: (2026)

Dynamic Frequency-Based Fingerprinting Attacks against Modern Sandbox Environments
von: Dipta, Debopriya Roy, et al.
Veröffentlicht: (2024)

APINT: A Full-Stack Framework for Acceleration of Privacy-Preserving Inference of Transformers based on Garbled Circuits
von: Cho, Hyunjun, et al.
Veröffentlicht: (2025)

Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE
von: Guo, Longfei, et al.
Veröffentlicht: (2026)

Noise-Aware Differentially Private Variational Inference
von: Alrawajfeh, Talal, et al.
Veröffentlicht: (2024)

An Attack to Break Permutation-Based Private Third-Party Inference Schemes for LLMs
von: Thomas, Rahul, et al.
Veröffentlicht: (2025)

Differentially Private Distributed Inference
von: Papachristou, Marios, et al.
Veröffentlicht: (2024)

CipherPrune: Efficient and Scalable Private Transformer Inference
von: Zhang, Yancheng, et al.
Veröffentlicht: (2025)

AERO: Entropy-Guided Framework for Private LLM Inference
von: Jha, Nandan Kumar, et al.
Veröffentlicht: (2024)

Secure Aggregation is Not Private Against Membership Inference Attacks
von: Ngo, Khac-Hoang, et al.
Veröffentlicht: (2024)

MixNN: Protection of Federated Learning Against Inference Attacks by Mixing Neural Network Layers
von: Boutet, Antoine, et al.
Veröffentlicht: (2021)

Privacy-Preserving Verifiable Neural Network Inference Service
von: Riasi, Arman, et al.
Veröffentlicht: (2024)

TruncFormer: Private LLM Inference Using Only Truncations
von: Yubeaton, Patrick, et al.
Veröffentlicht: (2024)

Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption
von: Biswas, Sayan, et al.
Veröffentlicht: (2025)

xMLP: Revolutionizing Private Inference with Exclusive Square Activation
von: Li, Jiajie, et al.
Veröffentlicht: (2024)

RobPI: Robust Private Inference against Malicious Client
von: Xue, Jiaqi, et al.
Veröffentlicht: (2026)

High-Resolution Convolutional Neural Networks on Homomorphically Encrypted Data via Sharding Ciphertexts
von: Maloney, Vivian, et al.
Veröffentlicht: (2023)

BarkBeetle: Stealing Decision Tree Models with Fault Injection
von: Wang, Qifan, et al.
Veröffentlicht: (2025)

Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

Safeguarding Graph Neural Networks against Topology Inference Attacks
von: Fu, Jie, et al.
Veröffentlicht: (2025)

CryptGNN: Enabling Secure Inference for Graph Neural Networks
von: Sen, Pritam, et al.
Veröffentlicht: (2025)

DRAMatic Speedup: Accelerating HE Operations on a Processing-in-Memory System
von: Klinger, Niklas, et al.
Veröffentlicht: (2026)

DivQAT: Enhancing Robustness of Quantized Convolutional Neural Networks against Model Extraction Attacks
von: Khaled, Kacem, et al.
Veröffentlicht: (2025)

S-BDT: Distributed Differentially Private Boosted Decision Trees
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2023)

Differentially Private Covariate Balancing Causal Inference
von: Ohnishi, Yuki, et al.
Veröffentlicht: (2024)

SecONNds: Secure Outsourced Neural Network Inference on ImageNet
von: Balla, Shashank
Veröffentlicht: (2025)

AuthOr: Lower Cost Authenticity-Oriented Garbling for Arbitrary Boolean Circuits
von: Biçer, Osman, et al.
Veröffentlicht: (2025)

PhishGuard: A Convolutional Neural Network Based Model for Detecting Phishing URLs with Explainability Analysis
von: Islam, Md Robiul, et al.
Veröffentlicht: (2024)