論文の概要: Towards Automated Homomorphic Encryption Parameter Selection with Fuzzy
Logic and Linear Programming
- arxiv url: http://arxiv.org/abs/2302.08930v1
- Date: Fri, 17 Feb 2023 15:07:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 14:26:05.293207
- Title: Towards Automated Homomorphic Encryption Parameter Selection with Fuzzy
Logic and Linear Programming
- Title（参考訳）: ファジィ論理と線形計画を用いた準同型暗号パラメータの自動選択
- Authors: Jos\'e Cabrero-Holgueras and Sergio Pastrana
- Abstract要約: ホモモルフィック暗号化(homomorphic Encryption, HE)は、暗号化されたテキスト上でのプライバシー保護操作を可能にする、特定の暗号システムの強力な特性の集合である。
現在、既存のHEフレームワークのほとんどは、これらの考慮事項に手動で対処するために暗号学者を必要としている。
本稿ではファジィ論理と線形プログラミングを組み合わせたエキスパートシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Homomorphic Encryption (HE) is a set of powerful properties of certain
cryptosystems that allow for privacy-preserving operation over the encrypted
text. Still, HE is not widespread due to limitations in terms of efficiency and
usability. Among the challenges of HE, scheme parametrization (i.e., the
selection of appropriate parameters within the algorithms) is a relevant
multi-faced problem. First, the parametrization needs to comply with a set of
properties to guarantee the security of the underlying scheme. Second,
parametrization requires a deep understanding of the low-level primitives since
the parameters have a confronting impact on the precision, performance, and
security of the scheme. Finally, the circuit to be executed influences, and it
is influenced by, the parametrization. Thus, there is no general optimal
selection of parameters, and this selection depends on the circuit and the
scenario of the application. Currently, most of the existing HE frameworks
require cryptographers to address these considerations manually. It requires a
minimum of expertise acquired through a steep learning curve. In this paper, we
propose a unified solution for the aforementioned challenges. Concretely, we
present an expert system combining Fuzzy Logic and Linear Programming. The
Fuzzy Logic Modules receive a user selection of high-level priorities for the
security, efficiency, and performance of the cryptosystem. Based on these
preferences, the expert system generates a Linear Programming Model that
obtains optimal combinations of parameters by considering those priorities
while preserving a minimum level of security for the cryptosystem. We conduct
an extended evaluation where we show that an expert system generates optimal
parameter selections that maintain user preferences without undergoing the
inherent complexity of analyzing the circuit.
- Abstract（参考訳）: ホモモルフィック暗号化(homomorphic Encryption, HE)は、暗号化されたテキスト上でのプライバシー保護操作を可能にする、特定の暗号システムの強力な特性の集合である。
それでも、HEは効率とユーザビリティの制限のため、普及していない。
HEの課題の中で、スキームのパラメトリゼーション(アルゴリズム内の適切なパラメータの選択)は、関連する多面的問題である。
第一に、パラメトリゼーションは基礎となるスキームのセキュリティを保証するために一連のプロパティに従う必要がある。
第二に、パラメータがスキームの正確性、性能、セキュリティに直面する影響があるため、パラメトリゼーションは低レベルのプリミティブを深く理解する必要がある。
最後に、実行される回路が影響し、それがパラメトリゼーションに影響される。
したがって、パラメータの一般的な最適選択は存在せず、この選択は回路とアプリケーションのシナリオに依存する。
現在、既存のheフレームワークのほとんどが、これらの考慮事項を手動で対処するために暗号学者を必要としている。
急な学習曲線を通じて取得される最小限の専門知識が必要です。
本稿では,上記の課題に対する統一的な解決法を提案する。
具体的には,ファジィ論理と線形プログラミングを組み合わせたエキスパートシステムを提案する。
ファジィ論理モジュールは、暗号システムのセキュリティ、効率、パフォーマンスのために、高レベルの優先順位のユーザが選択される。
これらの選好に基づいて、エキスパートシステムは、暗号システムの最小限のセキュリティレベルを維持しながら、それらの優先順位を考慮してパラメータの最適な組み合わせを得る線形プログラミングモデルを生成する。
我々は,回路解析の複雑さを伴わずに,ユーザの嗜好を維持する最適パラメータ選択をエキスパートシステムが生成することを示す,拡張された評価を行う。
関連論文リスト
- Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。
現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。
本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文 参考訳（メタデータ） (2024-02-23T14:31:10Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - A Unified Gaussian Process for Branching and Nested Hyperparameter
Optimization [19.351804144005744]
ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。
新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。
ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
論文 参考訳（メタデータ） (2024-01-19T21:11:32Z) - Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。
そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。
理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2023-02-18T23:31:20Z) - A Depth-Progressive Initialization Strategy for Quantum Approximate
Optimization Algorithm [0.0]
まず,QAOAにおける最適パラメータのパターンを2方向から議論する。
次に、探索空間の境界を決定するために使用される予想の対称性と周期性について議論する。
本稿では,従来の最適パラメータ間の差を考慮し,新しい初期パラメータを予測する戦略を提案する。
論文 参考訳（メタデータ） (2022-09-22T23:49:11Z) - Log Barriers for Safe Black-box Optimization with Application to Safe
Reinforcement Learning [72.97229770329214]
本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。
LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。
安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-07-21T11:14:47Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文 参考訳（メタデータ） (2022-02-28T12:26:47Z) - A Theoretical Framework of Almost Hyperparameter-free Hyperparameter
Selection Methods for Offline Policy Evaluation [2.741266294612776]
オフライン強化学習(OPE)は、環境シミュレーターを使わずに、データ駆動型決定最適化のための中核技術である。
最適性(選択基準と呼ばれる)の概念を定量的かつ解釈可能な方法で定義するOPEのための近似ハイパーパラメータ選択フレームワークを提案する。
収束率や時間複雑性などの異なる特徴を持つ4つのAHS法を導出する。
論文 参考訳（メタデータ） (2022-01-07T02:23:09Z) - Parameters Fixing Strategy for Quantum Approximate Optimization
Algorithm [0.0]
そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。
我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
論文 参考訳（メタデータ） (2021-08-11T15:44:16Z) - Efficient CNN Building Blocks for Encrypted Data [6.955451042536852]
ホモモルフィック暗号化(FHE)は機械学習と推論を可能にする有望な技術である。
選択したFHE方式の動作パラメータが機械学習モデルの設計に大きな影響を与えることを示す。
実験により, 上記の設計パラメータの選択は, 精度, セキュリティレベル, 計算時間の間に大きなトレードオフをもたらすことがわかった。
論文 参考訳（メタデータ） (2021-01-30T21:47:23Z)
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。