論文の概要: OnePath: Efficient and Privacy-Preserving Decision Tree Inference in the Cloud

• arxiv url: http://arxiv.org/abs/2409.19334v1
• Date: Sat, 28 Sep 2024 12:35:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 23:58:48.293962
• Title: OnePath: Efficient and Privacy-Preserving Decision Tree Inference in the Cloud
• Title（参考訳）: OnePath: クラウドにおける効率的かつプライバシ保護による決定木推論
• Authors: Shuai Yuan, Hongwei Li, Xinyuan Qian, Wenbo Jiang, Guowen Xu,
• Abstract要約: OnePathはクラウド環境におけるセキュアで効率的な決定木推論のために設計されたフレームワークである。 我々のプロトコルは、予測パス上のノードのみをセキュアに識別し、処理し、データプライバシのアンダーテキスト暗号文を維持する。 OnePathが決定木分類器とユーザデータのプライバシーをしっかりと保護していることを示す。
• 参考スコア（独自算出の注目度）: 18.645182707909864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The expansive storage capacity and robust computational power of cloud servers have led to the widespread outsourcing of machine learning inference services to the cloud. While this practice offers significant operational benefits, it also poses substantial privacy risks, including the exposure of proprietary models and sensitive user data. In this paper, we introduce OnePath, a framework designed for secure and efficient decision tree inference in cloud environments. Unlike existing schemes that require traversing all internal nodes of a decision tree, our protocol securely identifies and processes only the nodes on the prediction path, maintaining data privacy under ciphertext throughout the inference process. This selective traversal enhances both security and efficiency. To further optimize privacy and performance, OnePath employs lightweight cryptographic techniques, such as functional encryption, during the online phase of secure inference. Notably, our protocol allows both providers and clients to perform secure inference without the need to remain online continuously, a critical advantage for real-world applications. We substantiate the security of our framework with formal proofs, demonstrating that OnePath robustly protects the privacy of decision tree classifiers and user data. Experimental results highlight the efficiency of our approach, with our scheme processing query data in mere microseconds on the tested dataset. Through OnePath, we provide a practical solution that balances the needs for security and efficiency in cloud-based decision tree inference, making it a promising option for a variety of applications.
• Abstract（参考訳）: ストレージ容量の拡大とクラウドサーバの堅牢な計算能力により、マシンラーニング推論サービスのクラウドへのアウトソーシングが広く行われている。 このプラクティスは、運用上の大きなメリットを提供する一方で、プロプライエタリなモデルや機密性の高いユーザデータを公開するなど、重大なプライバシー上のリスクも生じます。 本稿では,クラウド環境におけるセキュアかつ効率的な決定木推論を目的としたフレームワークであるOnePathを紹介する。 決定ツリーのすべての内部ノードをトラバースする必要のある既存のスキームとは異なり、我々のプロトコルは、予測パス上のノードのみをセキュアに識別し、処理し、推論プロセスを通して暗号文の下でデータのプライバシを維持する。 この選択的トラバーサルは、セキュリティと効率の両方を高める。 プライバシとパフォーマンスをさらに最適化するために、OnePathでは、セキュアな推論のオンラインフェーズにおいて、機能暗号化などの軽量な暗号化技術を採用している。 特に、当社のプロトコルでは、プロバイダとクライアントの両方が、オンラインを継続的に継続することなくセキュアな推論を実行することが可能であり、これは現実世界のアプリケーションにとって重要な利点である。 OnePathが決定木分類器とユーザデータのプライバシーをしっかりと保護していることを示す。 実験結果から,テストデータセット上でのクエリデータをわずか数マイクロ秒で処理することで,提案手法の効率性を強調した。 OnePathを通じて、クラウドベースの決定ツリー推論におけるセキュリティと効率性のバランスをとる実用的なソリューションを提供し、様々なアプリケーションに有望な選択肢となります。

関連論文リスト

• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Privacy-Preserving Distributed Maximum Consensus Without Accuracy Loss [8.539683760001575]
  分散ネットワークでは、最大要素を計算することが基本的な課題である。 その重要性にもかかわらず、分散された最大コンセンサスにおけるプライバシは文学において限られた注目を集めている。 精度を犠牲にすることなくプライバシを保存する分散最適化方式を提案する。
  論文  参考訳（メタデータ） (2024-09-16T12:21:04Z)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Feature Selection using the concept of Peafowl Mating in IDS [2.184775414778289]
  クラウドコンピューティングはインフラストラクチャベース、プラットフォームベース、ソフトウェアベースのサービスを提供します。 この技術の人気は、パフォーマンス、高いレベルのコンピューティング能力、低コストのサービス、スケーラビリティ、可用性、柔軟性にある。 クラウド環境におけるデータの入手性とオープン性は、サイバー攻撃の世界に対して脆弱である。 侵入検知システムを用いて攻撃を検知し、情報セキュリティを確保する。
  論文  参考訳（メタデータ） (2024-02-03T06:04:49Z)
• Preserving Node-level Privacy in Graph Neural Networks [8.823710998526705]
  グラフニューラルネットワーク(GNN)におけるノードレベルのプライバシの問題に対処するソリューションを提案する。 提案プロトコルは,1) 特定のノードサンプリング戦略と一連の調整操作を用いて所望の特性を持つサブグラフを生成するHeterPoissonと呼ばれるサンプリングルーチンと,2) 一般的に使用されるガウスノイズの代わりに対称ラプラスノイズを利用するランダム化ルーチンとからなる。 提案プロトコルは,実世界の5つのデータセットを用いた実験によって実証された,優れた性能でGNN学習を可能にする。
  論文  参考訳（メタデータ） (2023-11-12T16:21:29Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• Private and Reliable Neural Network Inference [6.7386666699567845]
  本稿では,信頼できるNN上でのプライバシ保護推論を可能にする最初のシステムを提案する。 我々はこれらのビルディングブロックを用いて、Phoenixと呼ばれるシステムにおいて、堅牢性と公正性を保証するプライバシー保護NN推論を可能にする。
  論文  参考訳（メタデータ） (2022-10-27T16:58:45Z)
• Smooth Anonymity for Sparse Graphs [69.1048938123063]
  しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。 本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-07-13T17:09:25Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。