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

• arxiv url: http://arxiv.org/abs/2409.19334v2
• Date: Mon, 21 Jul 2025 03:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.710544
• 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, 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ツリー推論のためのフレームワークである。 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は初めて、決定ツリーノードの評価に機能暗号化を採用した。
• 参考スコア（独自算出の注目度）: 19.62342290345738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vast storage capacity and computational power of cloud servers have led to the widespread outsourcing of machine learning inference services. While offering significant operational benefits, this practice also introduces privacy risks, such as the exposure of proprietary models and sensitive user data. In this paper, we present OnePath, a framework for secure and efficient decision tree inference in cloud environments. Unlike existing methods that traverse all internal nodes of a decision tree, our traversal protocol processes only the nodes on the prediction path, significantly improving inference efficiency while preserving privacy. To further optimize privacy and performance, OnePath is the first to employ functional encryption for evaluating decision tree nodes. Notably, our protocol enables both model providers and users to remain offline during the inference phase, offering a crucial advantage for practical deployment. We provide formal security analysis to demonstrate that OnePath provides comprehensive privacy protections during the model inference process. Extensive experimental results show that our approach processes query data in microseconds, highlighting its efficiency. OnePath offers a practical solution that strikes a balance between security and performance, making it a promising option for a wide range of cloud-based decision tree inference applications.
• Abstract（参考訳）: クラウドサーバーの膨大なストレージ容量と計算能力は、機械学習推論サービスの広範なアウトソーシングにつながった。 このプラクティスは、重要な運用上の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、プライバシのリスクも導入する。 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フレームワークであるOnePathを提案する。 決定ツリーのすべての内部ノードをトラバースする既存の方法とは異なり、トラバースプロトコルは予測パス上のノードのみを処理し、プライバシを保ちながら推論効率を大幅に改善する。 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は初めて、決定ツリーノードの評価に機能暗号化を採用した。 特に,本プロトコルでは,推論フェーズにおいて,モデルプロバイダとユーザの両方がオフラインのままでいられるようにし,実用的なデプロイメントにおいて重要なアドバンテージを提供する。 我々は、モデル推論プロセス中にOnePathが包括的なプライバシー保護を提供することを示すために、正式なセキュリティ分析を提供する。 大規模な実験結果から,我々のアプローチはクエリデータをマイクロ秒で処理し,その効率を浮き彫りにしている。 OnePathは、セキュリティとパフォーマンスのバランスをとる実用的なソリューションを提供しており、幅広いクラウドベースの意思決定ツリー推論アプリケーションにとって有望な選択肢である。

関連論文リスト

• GRAND: Graph Release with Assured Node Differential Privacy [3.7346004746366384]
  我々は,ノードレベルの差分プライバシーと構造的特性の確保を確保しつつ,ネットワーク全体を解放する最初のネットワークリリース機構であるGRANDを提案する。 このアプローチの有効性は、合成データセットと実世界のデータセットの両方に関する広範な実験を通じて評価される。
  論文  参考訳（メタデータ） (2025-07-01T03:39:08Z)
• Enhanced Outsourced and Secure Inference for Tall Sparse Decision Trees [3.24708405883535]
  決定木は容易に理解できるツールであり、分類タスクに広く使われてきた。 データ所有者は、モデルをアウトソーシングすることでリスクを減らそうとしているが、サードパーティが決定ツリーモデルを盗むことができないことをセキュリティに保証したい。 本稿では,複数のエンティティ間でモデルを共有し,評価する新しい決定木推論プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-05-04T19:15:27Z)
• 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)
• Federated Instruction Tuning of LLMs with Domain Coverage Augmentation [87.49293964617128]
  Federated Domain-specific Instruction Tuning (FedDIT)は、限られたクロスクライアントなプライベートデータと、命令拡張のさまざまな戦略を利用する。 我々は,欲求のあるクライアントセンターの選択と検索に基づく拡張を通じて,ドメインカバレッジを最適化するFedDCAを提案する。 クライアント側の計算効率とシステムのスケーラビリティのために、FedDCAの変種であるFedDCA$*$はサーバ側の特徴アライメントを備えた異種エンコーダを利用する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• 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)
• Fed-EINI: An Efficient and Interpretable Inference Framework for Decision Tree Ensembles in Federated Learning [11.843365055516566]
  Fed-EINIは、フェデレーションツリーモデルのための効率的かつ解釈可能な推論フレームワークである。 本稿では,効率的な加算同型暗号法により決定経路を保護することを提案する。 実験によると、推論効率は平均で50%以上改善されている。
  論文  参考訳（メタデータ） (2021-05-20T06:40:05Z)
• Topology-aware Differential Privacy for Decentralized Image Classification [81.2202290003513]
  Top-DPは、分散画像分類システムの差分プライバシー保護を最適化するための新しいソリューションである。 我々は、分散化された通信トポロジのユニークな特徴を活用し、ノイズスケールを小さくし、モデルのユーザビリティを向上させる。
  論文  参考訳（メタデータ） (2020-06-14T06:42:21Z)
• 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)
• Privacy for Rescue: A New Testimony Why Privacy is Vulnerable In Deep Models [6.902994369582068]
  エッジクラウドシステム実行モデルにおけるプライバシ保護問題の形式的定義を示す。 我々は最先端の手法を分析し、それらの手法の欠点を指摘する。 本稿では,プライバシー保護手法の有効性を評価するために,より正確な2つの指標を提案する。
  論文  参考訳（メタデータ） (2019-12-31T15:55:03Z)

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。