論文の概要: A Practical Exercise in Adapting SIFT Using FHE Primitives
- arxiv url: http://arxiv.org/abs/2412.09642v1
- Date: Mon, 09 Dec 2024 08:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-16 15:03:24.597005
- Title: A Practical Exercise in Adapting SIFT Using FHE Primitives
- Title（参考訳）: FHEプリミティブを用いたSIFT適応のための実践的演習
- Authors: Ishwar B Balappanawar, Bhargav Srinivas Kommireddy,
- Abstract要約: CKKS完全同型暗号を用いたスケール不変特徴変換の実装における課題は、現在のFHEパラダイムにおけるいくつかのグラリング制限を明らかにしている。
これらの制限には、標準比較演算子がないことと、それに依存する特定の操作が含まれる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: An exercise in implementing Scale Invariant Feature Transform using CKKS Fully Homomorphic encryption quickly reveals some glaring limitations in the current FHE paradigm. These limitations include the lack of a standard comparison operator and certain operations that depend on it (like array max, histogram binning etc). We also observe that the existing solutions are either too low level or do not have proper abstractions to implement algorithms like SIFT. In this work, we demonstrate: 1. Methods of adapting regular code to the FHE setting. 2. Alternate implementations of standard algorithms (like array max, histogram binning, etc.) to reduce the multiplicative depth. 3. A novel method of using deferred computations to avoid performing expensive operations such as comparisons in the encrypted domain. Through this exercise, we hope this work acts as a practical guide on how one can adapt algorithms to FHE
- Abstract（参考訳）: CKKS完全同型暗号を用いたスケール不変特徴変換の実装における課題は、現在のFHEパラダイムにおけるいくつかのグラリング制限をすぐに明らかにする。
これらの制限には、標準比較演算子の欠如や、それに依存する特定の演算(配列マックス、ヒストグラムビンニングなど)が含まれる。
また、既存のソリューションが低レベルすぎるか、SIFTのようなアルゴリズムを実装するための適切な抽象化が存在しないかについても観察する。
この研究で、私たちは次のように示します。
1. FHE設定に正規コードを適用する方法。
2.乗算深度を低減するため、標準アルゴリズム(配列マックス、ヒストグラムビンニングなど)の代替実装。
3.暗号化ドメインの比較などの高価な操作を避けるために遅延計算を用いる新しい方法。
このエクササイズを通じて、この作品がFHEにアルゴリズムを適応させるための実践的なガイドとして機能することを願っています。
関連論文リスト
- A General Online Algorithm for Optimizing Complex Performance Metrics [5.726378955570775]
我々は,バイナリ,マルチクラス,マルチラベルの分類問題において,様々な複雑なパフォーマンス指標を用いて,直接的に使用可能な汎用オンラインアルゴリズムを導入,分析する。
アルゴリズムの更新と予測のルールは、過去のデータを保存することなく、非常にシンプルで計算的に効率的である。
論文 参考訳（メタデータ） (2024-06-20T21:24:47Z) - Homomorphically encrypted gradient descent algorithms for quadratic programming [3.185870720907055]
我々は,2次プログラミングを準同型暗号設定で解くための勾配降下アルゴリズムの適用性について数値解析を行った。
本論文は, 等式的に暗号化された勾配勾配アルゴリズムの有効性を, 直接的に示すものである。
論文 参考訳（メタデータ） (2023-09-04T12:25:14Z) - Learning the Positions in CountSketch [49.57951567374372]
本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。
本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-11T07:28:35Z) - Convergence of ease-controlled Random Reshuffling gradient Algorithms under Lipschitz smoothness [0.0]
非常に多くのスムーズで可能な非サイズの関数の平均を考慮し、この問題に対処するために2つの広く最小限のフレームワークを使用します。
IG/RRスキームの簡易制御による修正を定義する。
我々は、完全なバッチ勾配(L-BFGS)とIG/RR手法の実装の両方で実装を証明し、アルゴリズムが同様の計算作業を必要とすることを証明した。
論文 参考訳（メタデータ） (2022-12-04T15:26:36Z) - Efficient algorithms for implementing incremental proximal-point methods [0.3263412255491401]
機械学習において、モデルトレーニングアルゴリズムは、各計算ステップにおけるトレーニングセットのごく一部を観察する。
いくつかの研究ストリームは、よく知られた近位作用素による勾配よりもコスト関数に関するより多くの情報を活用する試みである。
近似演算子のアルゴリズム効率とソフトウェアモジュール性の両方を達成するために凸双対性理論を利用する新しいアルゴリズムフレームワークを考案する。
論文 参考訳（メタデータ） (2022-05-03T12:43:26Z) - Breaking the Linear Iteration Cost Barrier for Some Well-known
Conditional Gradient Methods Using MaxIP Data-structures [49.73889315176884]
条件勾配法(CGM)は現代の機械学習で広く使われている。
ほとんどの取り組みは、全体の実行時間を短縮する手段として、イテレーションの数を減らすことに重点を置いています。
本稿では,多くの基本最適化アルゴリズムに対して,イテレーション毎のコストがパラメータ数にサブ線形である最初のアルゴリズムを示す。
論文 参考訳（メタデータ） (2021-11-30T05:40:14Z) - Efficient ADMM-based Algorithms for Convolutional Sparse Coding [38.31173467674558]
この手紙は、畳み込み最小二乗のサブプロブレムの解を提示する。
また,効率的な畳み込み辞書学習手法の開発にも同様のアプローチを用いる。
近似誤差に制約のある畳み込みスパース符号化のための新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-07T09:49:10Z) - Provable Benefits of Actor-Critic Methods for Offline Reinforcement
Learning [85.50033812217254]
アクター批判法はオフラインの強化学習に広く用いられているが、理論的にはそれほどよく理解されていない。
ペシミズムの原理を自然に取り入れた新しいオフラインアクター批判アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-19T17:27:29Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。
本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
論文 参考訳（メタデータ） (2021-06-02T22:03:36Z) - Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。
ラグランジアン分解に基づく新しい手法を提案する。
ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
論文 参考訳（メタデータ） (2020-02-24T17:55:10Z)
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。