Buchumschlag

DeepReShape: Redesigning Neural Networks for Efficient Private Inference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jha, Nandan Kumar, Reagen, Brandon
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Entropy-Guided Attention for Private LLMs
von: Jha, Nandan Kumar, et al.
Veröffentlicht: (2025)

Network and Compiler Optimizations for Efficient Linear Algebra Kernels in Private Transformer Inference
von: Garimella, Karthik, et al.
Veröffentlicht: (2025)

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

HE-LRM: Efficient Private Embedding Lookups for Neural Inference Using Fully Homomorphic Encryption
von: Garimella, Karthik, et al.
Veröffentlicht: (2025)

Orion: A Fully Homomorphic Encryption Framework for Deep Learning
von: Ebel, Austin, et al.
Veröffentlicht: (2023)

Osiris: A Systolic Approach to Accelerating Fully Homomorphic Encryption
von: Ebel, Austin, et al.
Veröffentlicht: (2024)

EinHops: Einsum Notation for Expressive Homomorphic Operations on RNS-CKKS Tensors
von: Garimella, Karthik, et al.
Veröffentlicht: (2025)

CryptPEFT: Efficient and Private Neural Network Inference via Parameter-Efficient Fine-Tuning
von: Xia, Saisai, et al.
Veröffentlicht: (2025)

SZKP: A Scalable Accelerator Architecture for Zero-Knowledge Proofs
von: Daftardar, Alhad, et al.
Veröffentlicht: (2024)

DeepShare: Sharing ReLU Across Channels and Layers for Efficient Private Inference
von: Bornfeld, Yonathan, et al.
Veröffentlicht: (2025)

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

NTTSuite: Number Theoretic Transform Benchmarks for Accelerating Encrypted Computation
von: Ding, Juran, et al.
Veröffentlicht: (2024)

CiFlow: Dataflow Analysis and Optimization of Key Switching for Homomorphic Encryption
von: Neda, Negar, et al.
Veröffentlicht: (2023)

Almost-Free Queue Jumping for Prior Inputs in Private Neural Inference
von: Zhang, Qiao, et al.
Veröffentlicht: (2026)

ReLU's Revival: On the Entropic Overload in Normalization-Free Large Language Models
von: Jha, Nandan Kumar, et al.
Veröffentlicht: (2024)

CipherFormer: Efficient Transformer Private Inference with Low Round Complexity
von: Wang, Weize, et al.
Veröffentlicht: (2024)

Efficient and High-Accuracy Private CNN Inference with Helper-Assisted Malicious Security
von: Wang, Kaiwen, et al.
Veröffentlicht: (2025)

MPCache: MPC-Friendly KV Cache Eviction for Efficient Private LLM Inference
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2025)

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

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

Dash: Accelerating Distributed Private Convolutional Neural Network Inference with Arithmetic Garbled Circuits
von: Sander, Jonas, et al.
Veröffentlicht: (2023)

PrivQuant: Communication-Efficient Private Inference with Quantized Network/Protocol Co-Optimization
von: Xu, Tianshi, et al.
Veröffentlicht: (2024)

MOFHEI: Model Optimizing Framework for Fast and Efficient Homomorphically Encrypted Neural Network Inference
von: Ghazvinian, Parsa, et al.
Veröffentlicht: (2024)

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

An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process
von: Mishra, Rahul, et al.
Veröffentlicht: (2025)

EQO: Exploring Ultra-Efficient Private Inference with Winograd-Based Protocol and Quantization Co-Optimization
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2024)

Efficient Full-Stack Private Federated Deep Learning with Post-Quantum Security
von: Zhang, Yiwei, et al.
Veröffentlicht: (2025)

Flash: A Hybrid Private Inference Protocol for Deep CNNs with High Accuracy and Low Latency on CPU
von: Roh, Hyeri, et al.
Veröffentlicht: (2024)

zkPHIRE: A Programmable Accelerator for ZKPs over HIgh-degRee, Expressive Gates
von: Daftardar, Alhad, et al.
Veröffentlicht: (2025)

Differentially-Private Data Synthetisation for Efficient Re-Identification Risk Control
von: Carvalho, Tânia, et al.
Veröffentlicht: (2022)

PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks
von: Njungle, Nges Brian, et al.
Veröffentlicht: (2025)

SONNI: Secure Oblivious Neural Network Inference
von: Sperling, Luke, et al.
Veröffentlicht: (2025)

ReCIT: Reconstructing Full Private Data from Gradient in Parameter-Efficient Fine-Tuning of Large Language Models
von: Xie, Jin, et al.
Veröffentlicht: (2025)

Enhancing MOTION2NX for Efficient, Scalable and Secure Image Inference using Convolutional Neural Networks
von: K, Haritha, et al.
Veröffentlicht: (2024)

NerVE: Nonlinear Eigenspectrum Dynamics in LLM Feed-Forward Networks
von: Jha, Nandan Kumar, et al.
Veröffentlicht: (2026)

Optimized Layerwise Approximation for Efficient Private Inference on Fully Homomorphic Encryption
von: Lee, Junghyun, et al.
Veröffentlicht: (2023)

HEQuant: Marrying Homomorphic Encryption and Quantization for Communication-Efficient Private Inference
von: Xu, Tianshi, et al.
Veröffentlicht: (2024)

Hyena: Optimizing Homomorphically Encrypted Convolution for Private CNN Inference
von: Roh, Hyeri, et al.
Veröffentlicht: (2023)

Spectral Scaling Laws in Language Models: How Effectively Do Feed-Forward Networks Use Their Latent Space?
von: Jha, Nandan Kumar, et al.
Veröffentlicht: (2025)