論文の概要: Fully Homomorphically Encrypted Deep Learning as a Service

• arxiv url: http://arxiv.org/abs/2107.12997v1
• Date: Mon, 26 Jul 2021 20:17:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:50:45.293972
• Title: Fully Homomorphically Encrypted Deep Learning as a Service
• Title（参考訳）: 完全同型暗号化型ディープラーニング・アズ・ア・サービス
• Authors: George Onoufriou, Paul Mayfield and Georgios Leontidis
• Abstract要約: FHE(Fully Homomorphic Encryption)は、プライバシ保護技術分野における比較的最近の進歩である。 このプロジェクトは、ディープラーニングを用いたFHEが、比較的低時間の複雑さで、大規模にどのように使用できるかを調査し、導出し、証明する。 我々は、これがデータプライバシの将来に与える影響と、アグリフードサプライチェーン内のさまざまなアクター間でのデータ共有を可能にする方法について論じる。
• 参考スコア（独自算出の注目度）: 4.082216579462797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully Homomorphic Encryption (FHE) is a relatively recent advancement in the field of privacy-preserving technologies. FHE allows for the arbitrary depth computation of both addition and multiplication, and thus the application of abelian/polynomial equations, like those found in deep learning algorithms. This project investigates, derives, and proves how FHE with deep learning can be used at scale, with relatively low time complexity, the problems that such a system incurs, and mitigations/solutions for such problems. In addition, we discuss how this could have an impact on the future of data privacy and how it can enable data sharing across various actors in the agri-food supply chain, hence allowing the development of machine learning-based systems. Finally, we find that although FHE incurs a high spatial complexity cost, the time complexity is within expected reasonable bounds, while allowing for absolutely private predictions to be made, in our case for milk yield prediction.
• Abstract（参考訳）: FHE(Fully Homomorphic Encryption)は、プライバシ保護技術分野における比較的最近の進歩である。 FHEは加法と乗法の両方の任意の深さ計算を可能にし、深層学習アルゴリズムに見られるようなアーベル/多項式方程式の適用を可能にする。 本研究は, ディープラーニングを用いたFHEの大規模利用, 比較的低時間の複雑性, システムが抱える問題, そのような問題に対する緩和・解決について検討し, 導出し, 実証する。 さらに、これがデータプライバシの将来に与える影響や、アグリフードサプライチェーン内のさまざまなアクター間でのデータ共有を可能にし、機械学習ベースのシステムの開発を可能にする方法について論じる。 最後に, 乳収率予測では, fheは高い空間的複雑度コストを伴っているが, 時間的複雑度は期待できる範囲内であり, 絶対的にプライベートな予測が可能となることがわかった。

関連論文リスト

• Secure numerical simulations using fully homomorphic encryption [2.923600136516929]
  データプライバシは、医療、財務、エンジニアリングデータなどの機密情報に数値シミュレーションを使用する場合、重要な懸念事項である。 完全同型暗号化(FHE)は、暗号化されたデータに直接セキュアな計算を可能にすることによって、データのプライバシを実現するための有望なソリューションを提供する。 暗号的に安全な数値シミュレーションが可能であることを示すが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  論文  参考訳（メタデータ） (2024-10-29T07:47:10Z)
• Privacy-aware Berrut Approximated Coded Computing for Federated Learning [1.2084539012992408]
  フェデレートラーニングスキームにおけるプライバシを保証するためのソリューションを提案する。 本提案は,Secret Sharing設定に適応したBerrut Approximated Coded Computingに基づく。
  論文  参考訳（メタデータ） (2024-05-02T20:03:13Z)
• Limitations of Deep Learning for Inverse Problems on Digital Hardware [65.26723285209853]
  我々は、チューリングマシンとしてモデル化された現在のハードウェアプラットフォームで実際に計算できるものを分析する。 有限次元逆問題は小さな緩和パラメータに対してバナッハ・マズール計算可能でないことを証明した。
  論文  参考訳（メタデータ） (2022-02-28T00:20:12Z)
• Quantum Heterogeneous Distributed Deep Learning Architectures: Models, Discussions, and Applications [13.241451755566365]
  量子深層学習(QDL)と分散深層学習(DDL)は、既存の深層学習を補完するために出現している。 QDLは、ローカルデバイスやサーバ上のディープラーニング計算を量子ディープラーニングに置き換えることで、計算上の利益を得る。 サーバとクライアント間の量子セキュアな通信プロトコルを使用することで、データセキュリティを向上させることができる。
  論文  参考訳（メタデータ） (2022-02-19T12:59:11Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Sample-Efficient Reinforcement Learning of Undercomplete POMDPs [91.40308354344505]
  この研究は、これらの硬度障壁が、部分観測可能決定過程(POMDP)の豊かで興味深いサブクラスに対する効率的な強化学習を妨げないことを示している。 提案手法は, 観測回数が潜伏状態の数よりも大きく, 探索が学習に不可欠であり, 先行研究と区別できるような, エピソード有限不完全POMDPに対するサンプル効率アルゴリズムOOM-UCBを提案する。
  論文  参考訳（メタデータ） (2020-06-22T17:58:54Z)
• 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)
• Secure Sum Outperforms Homomorphic Encryption in (Current) Collaborative Deep Learning [7.690774882108066]
  我々は、異なるデータ所有者のジョイントデータに基づいてニューラルネットワークをトレーニングする方法について議論し、各パーティの入力を秘密にしている。 より複雑で計算コストの低いセキュア和プロトコルは、共謀耐性と実行性の両方において優れた特性を示すことを示す。
  論文  参考訳（メタデータ） (2020-06-02T23:03:32Z)

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。