論文の概要: A Note on Efficient Privacy-Preserving Similarity Search for Encrypted Vectors

• arxiv url: http://arxiv.org/abs/2502.14291v1
• Date: Thu, 20 Feb 2025 06:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:26:24.270215
• Title: A Note on Efficient Privacy-Preserving Similarity Search for Encrypted Vectors
• Title（参考訳）: 暗号化ベクトルの高効率なプライバシー保護類似性探索に関する一考察
• Authors: Dongfang Zhao,
• Abstract要約: 従来のベクトル類似性探索手法では、完全同型暗号(FHE)を用いて復号化せずに計算が可能であった。 この研究は、より効率的な代替手段を探究する: プライバシー保護類似性検索に加法的同型暗号(AHE)を使用する。 本稿では,AHE で暗号化された類似性探索のアルゴリズムを提案し,そのエラーの増大とセキュリティへの影響を解析する。
• 参考スコア（独自算出の注目度）: 1.3824176915623292
• License:
• Abstract: Traditional approaches to vector similarity search over encrypted data rely on fully homomorphic encryption (FHE) to enable computation without decryption. However, the substantial computational overhead of FHE makes it impractical for large-scale real-time applications. This work explores a more efficient alternative: using additively homomorphic encryption (AHE) for privacy-preserving similarity search. We consider scenarios where either the query vector or the database vectors remain encrypted, a setting that frequently arises in applications such as confidential recommender systems and secure federated learning. While AHE only supports addition and scalar multiplication, we show that it is sufficient to compute inner product similarity--one of the most widely used similarity measures in vector retrieval. Compared to FHE-based solutions, our approach significantly reduces computational overhead by avoiding ciphertext-ciphertext multiplications and bootstrapping, while still preserving correctness and privacy. We present an efficient algorithm for encrypted similarity search under AHE and analyze its error growth and security implications. Our method provides a scalable and practical solution for privacy-preserving vector search in real-world machine learning applications.
• Abstract（参考訳）: 従来のベクトル類似性探索手法では、完全同型暗号(FHE)を用いて復号化せずに計算が可能であった。 しかし、FHEの計算オーバーヘッドが大きいため、大規模なリアルタイムアプリケーションでは現実的ではない。 この研究は、より効率的な代替手段を探究する: プライバシー保護類似性検索に加法的同型暗号(AHE)を使用する。 クエリベクタやデータベースベクタが暗号化されたままであるシナリオを,機密レコメンデータシステムやセキュアなフェデレーション学習といったアプリケーションで頻繁に発生する設定として検討する。 AHEは加法とスカラー乗算しかサポートしていないが、ベクトル探索において最も広く用いられている類似度尺度の一つである内積類似度を計算するのに十分であることを示す。 FHEベースのソリューションと比較して,暗号文の乗算やブートストラップを回避し,正確性やプライバシを保ちながら計算オーバーヘッドを大幅に削減する。 本稿では,AHE で暗号化された類似性探索のアルゴリズムを提案し,そのエラーの増大とセキュリティへの影響を解析する。 本手法は,実世界の機械学習アプリケーションにおいて,プライバシー保護ベクター探索のためのスケーラブルで実用的なソリューションを提供する。

関連論文リスト

• Secure numerical simulations using fully homomorphic encryption [2.923600136516929]
  データプライバシは、医療、財務、エンジニアリングデータなどの機密情報に数値シミュレーションを使用する場合、重要な懸念事項である。 完全同型暗号化(FHE)は、暗号化されたデータに直接セキュアな計算を可能にすることによって、データのプライバシを実現するための有望なソリューションを提供する。 暗号的に安全な数値シミュレーションが可能であることを示すが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  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)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
  本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。 SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。 実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
  論文  参考訳（メタデータ） (2023-09-27T05:19:32Z)
• Efficient Skip Connections Realization for Secure Inference on Encrypted Data [3.2996723916635267]
  ホモモルフィック暗号化(homomorphic Encryption, HE)は、暗号化下での計算を可能にする暗号ツールである。 現代のディープラーニングアプリケーションは、例えば、多くのスキップ接続を含む画像処理タスクベンチマークにおいて、優れたパフォーマンスをもたらす。 その結果、(短期)スキップ接続を(短期)ディラックパラメータ化と(長期)共有ソーススキップ接続に置き換えることで、HEベースのソリューションのスキップ接続負担を軽減することができた。
  論文  参考訳（メタデータ） (2023-06-11T18:06:06Z)
• 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)
• Towards Privacy-Preserving, Real-Time and Lossless Feature Matching [8.418466369442413]
  本稿では,ランダムな置換,4L-DEC,および既存の同型暗号化技術によって特徴を保護するSecureというプラグインモジュールを提案する。 Secureは初めて、公開機能間のリアルタイムかつロスレスな機能マッチングを実現し、現在の最先端技術よりもはるかに高いセキュリティレベルを実現した。
  論文  参考訳（メタデータ） (2022-07-30T13:25:59Z)
• Verifiable Encodings for Secure Homomorphic Analytics [10.402772462535884]
  ホモモルフィック暗号化は、機密データ上のクラウドで除算された計算のプライバシを保護するための有望なソリューションである。 本稿では,クラウドベースの同型計算のクライアント検証を実現するための2つの誤り検出符号化とビルド認証手法を提案する。 我々は,暗号化されたデータ上で実行されたアウトソース計算の検証システムであるVERITASにソリューションを実装した。
  論文  参考訳（メタデータ） (2022-07-28T13:22:21Z)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)
• A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
  差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。 本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。 このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
  論文  参考訳（メタデータ） (2020-06-16T17:47:48Z)

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。