Edge-AI 시스템은 엄격한 에너지, 성능, 보안 및 개인정보 보호 제약 조건 하에서 실시간 CNN 추론을 점점 더 많이 요구하고 있습니다. 근사 컴퓨팅 (Approximate computing)은 신경망 워크로드의 오류 복원력 (error resilience)을 활용하여 하드웨어 효율성을 향상시키지만, 대부분의 근사 CNN 가속기는 보안 및 개인정보 보호를 고려한 엣지 배포를 통합적으로 고려하지 않습니다. 본 논문은 이기종 RV32IMC RISC-V SoC (System-on-Chip) 내에 통합된 보안 및 개인정보 보호 인지형 근사 CNN 가속화 프레임워크인 SPARX를 제시합니다. SPARX는 맞춤형 RISC-V 명령어 확장 (instruction extension), 근사 로그 CNN 가속 유닛 (approximate logarithmic CNN acceleration unit), 경량 차분 노이즈 기반 개인정보 보호 엔진 (lightweight differential-noise-based privacy engine), 그리고 챌린지-응답 인증 메커니즘 (challenge-response authentication mechanism)을 결합합니다. 산술 연산 선택을 가이드하기 위해 근사 심각도 지수 (Approximation Severity Index, ASI), 근사 효율 (Approximation Efficiency, AE), 근사 품질 (Quality of Approximation, QoA), 근사 성능 지표 (Approximation Figure-of-Merit, AFOM), 그리고 하드웨어 가속 효율 (Hardware Acceleration Efficiency, HAE)을 사용하는 근사 인지형 결정 프레임워크가 도입됩니다. 11개의 최첨단 근사 MAC 아키텍처에 대한 평가를 통해 반복 로그 곱셈기 (Iterative Logarithmic Multiplier, ILM)가 가장 적합한 설계임을 확인하였으며, 이는 정확한 radix-4 Booth MAC과 비교했을 때 ResNet-20/CIFAR-10 정확도를 단 2.82 퍼센트 포인트 감소시키면서도 면적 51.7% 감소, 전력 81.5% 감소, 처리량(throughput) 2.13배 향상을 달성했습니다. Xilinx VC707 플랫폼에서의 FPGA 구현은 250 MHz에서 58.4 GOPS/W의 에너지 효율을 달성하였으며, 28-nm CMOS 물리적 구현을 통해 ASIC 타당성을 검증했습니다.