Efficient Estimation of Sigmoid and Tanh Activation Functions for Homomorphically Encrypted Data Using Artificial Neural Networks

الهدف من الدراسة:

تقدم هذه الورقة طريقة جديدة لتقدير دالتي التفعيل Sigmoid وTanh باستخدام شبكات عصبية اصطناعية (ANN) قابلة للتطبيق على البيانات المشفرة باستخدام التشفير التجانسي (Homomorphic Encryption)، مما يسمح بإجراء حسابات دون فك تشفير البيانات، وبالتالي الحفاظ على الخصوصية.

خلفية:

مع ازدياد الاعتماد على خدمات التعلم الآلي السحابية (MLaaS)، أصبحت خصوصية البيانات مصدر قلق كبير.

التشفير التجانسي يسمح بإجراء عمليات حسابية مباشرة على البيانات المشفرة دون فك التشفير.

إلا أن دوال التفعيل غير الخطية (مثل Sigmoid وTanh) لا يمكن حسابها مباشرة ضمن هذا النوع من التشفير.

المنهجية:

تم تصميم نموذج ANN بسيط لتقدير دوال التفعيل Sigmoid وTanh بدقة مع الحفاظ على الكفاءة الحسابية.

تم تدريب النموذج باستخدام بيانات عشوائية (غير حساسة) في الوضع العادي (Plaintext)، ومن ثم استخدامه لإجراء الاستدلال على بيانات مشفرة.

تم تنفيذ المقارنات مع طريقتين تقليديتين:

تقريب متعدد الحدود من الدرجة الثانية (Polynomial).

التقريب الخطي المقطعي (Piecewise Linear).

نتائج التجارب:

نموذج ANN حقق أقل متوسط خطأ تربيعي (MSE) مقارنة بالنماذج الأخرى، مما يعكس دقته العالية في التقدير.

ومع ذلك، استغرق تدريب ANN وقتًا أطول من الطرق التقليدية.

النموذج أُثبتت فعاليته على نطاق واسع من البيانات باستخدام مكتبة TenSEAL وتنفيذ CKKS، وهي خوارزمية تشفير تجانسي تقريبية مناسبة للبيانات العددية الحقيقية.

الاستنتاج:

النموذج المقترح باستخدام ANN يُعد حلاً واعدًا لتقدير دوال التفعيل ضمن بيئات تعتمد على التشفير التجانسي، حيث يحقق توازنًا بين الدقة والحفاظ على خصوصية البيانات. يُمكن أن يكون هذا النموذج حجر الأساس لتطوير نماذج تعلم آلي أكثر أمانًا في تطبيقات حساسة مثل الصحة والمالية.