Autores e instituciones
Gabrielle De Micheli
Advanced Security Team, LG Electronics, USA
Syed Mahbub Hafiz
Advanced Security Team, LG Electronics, USA
Geovandro Pereira
Advanced Security Team, LG Electronics, USA
Eduardo L. Cominetti
Advanced Security Team, LG Electronics, USA
Thales B. Paiva
Advanced Security Team, LG Electronics, USA
Universidade de São Paulo, São Paulo, Brazil
Jina Choi
Next-Generation Computing Research Lab, CTO Division, LG Electronics, South Korea
Marcos A. Simplicio Jr
Universidade de São Paulo, São Paulo, Brazil
Bahattin Yildiz
Advanced Security Team, LG Electronics, USA
Qué problema resuelve
El problema central es resolver cuellos de botella de encrypted face recognition, privacy-preserving biometrics, homomorphic encryption en reconocimiento facial de forma que la solución pueda ser evaluada por compras, cumplimiento e ingeniería, no solo por un benchmark académico.
Resultado clave
Los resultados destacan mejoras en precisión, eficiencia, robustez o generalización. Para compradores técnicos importa si reducen riesgo de despliegue y amplían escenarios de uso.
Resumen
El trabajo estudia búsqueda de similitud cifrada para reconocimiento facial en esquemas cliente-servidor donde los embeddings son datos biométricos sensibles. Propone un algoritmo diagonal Baby-Step/Giant-Step y kernels CKKS optimizados para GPU que reducen memoria y aceleran el matching homomórfico, haciendo más viables los flujos privados de identificación.
Punto de partida
La motivación es que reconocimiento facial está pasando de benchmarks de laboratorio a sistemas reales, donde encrypted face recognition, privacy-preserving biometrics, homomorphic encryption afecta privacidad, coste, estabilidad o experiencia de usuario.
Método
El enfoque de «Lightweight, Practical Encrypted Face Recognition with GPU Support» combina diseño de arquitectura, estrategia de entrenamiento u optimización de sistema orientada a encrypted face recognition, privacy-preserving biometrics, homomorphic encryption. Esto acerca la investigación a una capacidad desplegable.
Conclusión del artículo
En síntesis, este trabajo muestra que en abril de 2026 encrypted face recognition, privacy-preserving biometrics, homomorphic encryption se está convirtiendo en una variable clave para productizar y evaluar reconocimiento facial.