論文の概要: Two-Server Verifiable Homomorphic Secret Sharing for High-Degree Polynomials

• arxiv url: http://arxiv.org/abs/2104.12163v1
• Date: Sun, 25 Apr 2021 13:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-02 11:10:20.439914
• Title: Two-Server Verifiable Homomorphic Secret Sharing for High-Degree Polynomials
• Title（参考訳）: 高次多項式に対する二相正則秘密共有
• Authors: Xin Chen, Liang Feng Zhang
• Abstract要約: ホモモルフィックシークレット共有(HSS)は、複数の入力クライアントが複数のサーバ間でデータをシークレット共有することを可能にする。 私たちの計画は、以前の最高の建設計画の3～10倍の速さで実現できます。
• 参考スコア（独自算出の注目度）: 3.419406971620478
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Homomorphic secret sharing (HSS) allows multiple input clients to secret-share their data among multiple servers such that each server is able to locally compute a function on its shares to obtain a partial result and all partial results enable the reconstruction of the function's value on the outsourced data by an output client. The existing HSS schemes for {\em high-degree} polynomials either {\em require a large number of servers} or {\em lack verifiability}, which is essential for ensuring the correctness of the outsourced computations. In this paper, we propose a two-server verifiable HSS (VHSS) model and construct a scheme that supports the computation of high-degree polynomials. The degree of the outsourced polynomials can be as high as a polynomial in the system's security parameter. Despite of using only 2 servers, our VHSS ensures that each single server learns no information about the outsourced data and no single server is able to persuade the client to output a wrong function value. Our VHSS is significantly more efficient. When computing degree-7 polynomials, our scheme could be 3-10 times faster than the previously best construction.
• Abstract（参考訳）: ホモモルフィックシークレット・シェアリング(HSS)は、複数の入力クライアントが複数のサーバ間でデータを秘密にすることで、各サーバが共有する関数をローカルに計算して部分的な結果を得ることができ、全ての部分的な結果が出力クライアントによってアウトソースされたデータ上の関数の値の再構築を可能にする。 高次多項式に対する既存の HSS スキームは、アウトソースされた計算の正しさを保証するのに不可欠である、大量のサーバを必要とするか、あるいは検証不可能である。 本稿では,2サーバ検証可能なhss(vhss)モデルを提案し,高次多項式の計算を支援するスキームを構築する。 アウトソースされた多項式の度合いは、システムのセキュリティパラメータの多項式に匹敵する。 2つのサーバしか使用していないにも関わらず、当社のvhssでは、各サーバがアウトソースデータに関する情報を学ばず、クライアントに間違った関数値を出力するよう説得することはできません。 VHSSははるかに効率的です。 次数7の多項式を計算する場合、我々のスキームは以前の最良の構成より310倍高速になる。

関連論文リスト

• Efficient Homomorphically Encrypted Convolutional Neural Network Without Rotation [6.03124479597323]
  本稿では, HE方式の安全性に影響を与えることなく, 暗号文の回転を除去する新しい構成法とフィルタ係数パッキング方式を提案する。 CIFAR-10/100データセット上のさまざまなプレーン20に対して、私たちの設計は、最高の事前設計と比較して、Conv層とFC層のランニング時間を15.5%削減し、クライアントとサーバ間の通信コストを50%以上削減します。
  論文  参考訳（メタデータ） (2024-09-08T19:46:25Z)
• A Characterization of Optimal-Rate Linear Homomorphic Secret Sharing Schemes, and Applications [13.566464121222225]
  Homomorphic Secret Sharing (HSS) は秘密共有方式で、$s$サーバ間で秘密の$x$を共有する。 HSSスキームにおける重要なパラメータはダウンロード率であり、各サーバから出力クライアントがダウンロードする必要がある情報の量を測定する。 おそらく驚くべきことに、その建設作業がほぼ最適であるような$ell$sのセットが示されています。
  論文  参考訳（メタデータ） (2023-11-24T20:40:50Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Fast Private Parameter Learning and Evaluation for Sum-Product Networks [4.189643331553922]
  アーキテクチャが固定され、データが複数のパーティ間で水平に分割されていると仮定して、合計ノードの重みを学ぶ方法を示します。 計算は各参加者のプライバシーを維持します。 また,学習したSPNを用いて,簡便かつプライベートな評価を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-04-15T10:21:51Z)
• CoPE: Conditional image generation using Polynomial Expansions [50.67390290190874]
  入力変数を2つ拡張し,それらの自己相関と相互相関をキャプチャする,copeと呼ばれる汎用フレームワークを導入する。 CoPEは8つのデータセットを含む5つのタスク(クラスジェネレーション、逆問題、エッジ・ツー・イメージ翻訳、イメージ・ツー・イメージ翻訳、属性誘導生成)で評価される。 徹底的な評価は、CoPEが多様な条件生成タスクに取り組むのに役立つことを示唆している。
  論文  参考訳（メタデータ） (2021-04-11T19:02:37Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Efficient Human Pose Estimation by Learning Deeply Aggregated Representations [67.24496300046255]
  深く集約された表現を学習することで、効率的な人間ポーズ推定ネットワーク(DANet)を提案する。 私たちのネットワークは、より小さなモデルの複雑さで、同等またはより良い精度を達成できます。
  論文  参考訳（メタデータ） (2020-12-13T10:58:07Z)
• On Polynomial Approximations for Privacy-Preserving and Verifiable ReLU Networks [6.130998208629276]
  次数2のアクティベーション関数を1次項で提案し、より優れたモデルに導出できることを実証的に示す。 提案関数は正方形関数と比較して最大10.4%精度が向上する。
  論文  参考訳（メタデータ） (2020-11-11T03:32:22Z)
• Berrut Approximated Coded Computing: Straggler Resistance Beyond Polynomial Computing [34.69732430310801]
  本稿では,ストラグラー効果に対処する代替手法として,Berrut Approximated Coded Computing (BACC)を提案する。 BACCは計算複雑性が低い数値的に安定であることが証明されている。 特に、BACCは、サーバのクラスタ上でディープニューラルネットワークをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2020-09-17T14:23:38Z)
• Deep Polynomial Neural Networks [77.70761658507507]
  $Pi$Netsは拡張に基づいた関数近似の新しいクラスである。 $Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
  論文  参考訳（メタデータ） (2020-06-20T16:23:32Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。