論文の概要: Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
- arxiv url: http://arxiv.org/abs/2310.13140v2
- Date: Sun, 10 Dec 2023 15:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 01:54:08.679638
- Title: Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
- Title（参考訳）: 完全同型暗号化とプライバシ保護機械学習のためのブラインド評価フレームワーク
- Authors: Hunjae Lee, Corey Clark,
- Abstract要約: Blind Evaluation Framework (BEF) は暗号的にセキュアなプログラミングフレームワークである。
条件式を評価することなく、暗号化空間における制御構造の実行を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Various approaches to privacy-preserving machine learning (PPML) using Fully Homomorphic Encryption (FHE) have been developed, focusing on secure data outsourcing to untrusted servers by data owners. While FHE enables computation on encrypted data, it faces significant limitations, particularly in integrating control structures like decision expressions and conditional statements, which are vital in standard programming. For instance, tasks like selecting the smallest value from an encrypted list for feature selection in decision trees are challenging due to the inability to evaluate comparison expressions in encrypted form. Most existing literature on FHE have concentrated on encrypted prediction using pre-trained models due to these challenges, with training processes often requiring Intermediate Rounds of Decryption and Evaluation (IRDE). IRDE involves interactive communication where the potentially untrusted server performs encrypted computations, while the client handles control structures by decrypting and evaluating data in plaintext. While it presents a solution to the control structure problem in encrypted programming, IRDE protocols go against FHE's principles of building truly encrypted programs as portions of such programs must leave the encrypted space (untrusted server) and be executed on the trusted client, who holds the private keys for decryption. Such models, however efficiently they can be made, would be inferior to models that eliminate the need for IRDE all-together. The ability to remove IRDE allows both computation and control structures to be performed on untrusted servers without requiring trusted clients for multiple IRDE cycles. This paper introduces the Blind Evaluation Framework (BEF), a cryptographically secure programming framework enabling the execution of control structures in encrypted space without evaluating conditional expressions...
- Abstract（参考訳）: FHE(Fully Homomorphic Encryption)を用いたプライバシー保護機械学習(PPML)への様々なアプローチが開発され、データ所有者による信頼できないサーバへのセキュアなデータアウトソーシングに焦点を当てている。
FHEは暗号化データ上での計算を可能にするが、特に標準プログラミングにおいて不可欠な決定式や条件文といった制御構造の統合において、大きな制限に直面している。
例えば、決定木の特徴選択のために暗号化されたリストから最小値を選択するといったタスクは、暗号化された形式で比較式を評価することができないため、難しい。
FHEに関する既存の文献の多くは、これらの課題のために事前訓練されたモデルを使用して暗号化された予測に集中しており、トレーニングプロセスは、しばしばインターミディット・ラウンド・オブ・デクリプション・アンド・アセスメント(IRDE)を必要とする。
IRDEは、クライアントがプレーンテキストでデータを復号し評価することで制御構造を処理する一方、潜在的に信頼できないサーバが暗号化された計算を行う対話型通信である。
IRDEプロトコルは、暗号化プログラミングにおける制御構造問題に対する解決策を提供するが、それらのプログラムの一部が暗号化された空間(信頼できないサーバ)を離れ、秘密鍵を保持する信頼されたクライアントで実行されなければならないため、FHEの真に暗号化されたプログラムを構築するという原則に反する。
このようなモデルは効率的に製造できるが、IRDEを全て必要としないモデルよりも劣るであろう。
IRDEを除去する機能により、複数のIRDEサイクルに対して信頼できるクライアントを必要とすることなく、信頼できないサーバ上で計算と制御構造を実行することができる。
本稿では,Blind Evaluation Framework (BEF)を紹介した。BEFは暗号的にセキュアなプログラミングフレームワークで,条件式を評価せずに,暗号化空間における制御構造の実行を可能にする。
関連論文リスト
- Secure numerical simulations using fully homomorphic encryption [2.923600136516929]
ホモモルフィック暗号化(英語版) (FHE) は暗号化されたデータに対するセキュアな計算を可能にする。
偏微分方程式のプライバシ保存数値シミュレーションにおけるFHEの適用可能性について検討する。
論文 参考訳（メタデータ） (2024-10-29T07:47:10Z) - Encrypted system identification as-a-service via reliable encrypted matrix inversion [0.0]
暗号化された計算は、多数のアプリケーションドメインにわたる有望な道を開く。
特に、算術的同型暗号化はクラウドベースの計算サービスに自然に適合する。
本稿では,少なくとも2乗問題に対する信頼性の高い暗号化ソリューションにより,暗号化されたシステム識別サービスを提案する。
論文 参考訳（メタデータ） (2024-10-27T20:00:04Z) - Encryption-Friendly LLM Architecture [11.386436468650016]
ホモモルフィック暗号(homomorphic encryption, HE)は、暗号状態における算術演算をサポートする暗号プロトコルである。
本稿では,パーソナライズされた(プライベートな)微調整による推論を重視した改良型HE-Friendly Transformerアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-03T13:48:35Z) - FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [54.27040631527217]
削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。
まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。
次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
論文 参考訳（メタデータ） (2024-03-27T09:45:33Z) - Mathematical Algorithm Design for Deep Learning under Societal and
Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。
以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-18T15:32:38Z) - When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。
具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。
コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文 参考訳（メタデータ） (2023-08-29T17:22:39Z) - Reinforcement Learning on Encrypted Data [58.39270571778521]
本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。
その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
論文 参考訳（メタデータ） (2021-09-16T21:59:37Z) - How could Neural Networks understand Programs? [67.4217527949013]
ソースコードにnlpプリトレーニング技術を直接適用するか、あるいはtheshelfによってモデルに機能を追加するかで、プログラムをより理解するためのモデルを構築するのは難しい。
本研究では,(1)操作セマンティクスの基本操作とよく一致する表現と(2)環境遷移の情報からなる情報から,モデルが学ぶべき新しいプログラムセマンティクス学習パラダイムを提案する。
論文 参考訳（メタデータ） (2021-05-10T12:21:42Z) - 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) - Cryptotree: fast and accurate predictions on encrypted structured data [0.0]
ホモモルフィック暗号化(HE)は、入力と出力の両方が暗号化される暗号化データ上での計算を可能にする能力で認められている。
線形回帰と比較して非常に強力な学習手法であるランダムフォレスト(RF)の利用を可能にするフレームワークであるCryptotreeを提案する。
論文 参考訳（メタデータ） (2020-06-15T11:48:01Z) - Can We Learn Heuristics For Graphical Model Inference Using
Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。
本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文 参考訳（メタデータ） (2020-04-27T19:24:04Z)
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。