論文の概要: Secure Aggregation in Federated Learning using Multiparty Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2503.00581v1
• Date: Sat, 01 Mar 2025 18:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:12:52.450819
• Title: Secure Aggregation in Federated Learning using Multiparty Homomorphic Encryption
• Title（参考訳）: 多人数同型暗号化を用いたフェデレーション学習におけるセキュアアグリゲーション
• Authors: Erfan Hosseini, Shuangyi Chen, Ashish Khisti,
• Abstract要約: 連合学習における重要な操作は、個々のクライアントノードによって生成される勾配ベクトルの集約である。 我々は,この集約を中央ノードが計算できるように,多党同型暗号(MPHE)に基づく手法を開発した。 我々は,クライアントノードのサブセットのみが利用可能であっても,集約ベクトルの復号化が成功するように,従来のMPHEメソッドを拡張した。
• 参考スコア（独自算出の注目度）: 17.98928470989766
• License:
• Abstract: A key operation in federated learning is the aggregation of gradient vectors generated by individual client nodes. We develop a method based on multiparty homomorphic encryption (MPHE) that enables the central node to compute this aggregate, while receiving only encrypted version of each individual gradients. Towards this end, we extend classical MPHE methods so that the decryption of the aggregate vector can be successful even when only a subset of client nodes are available. This is accomplished by introducing a secret-sharing step during the setup phase of MPHE when the public encryption key is generated. We develop conditions on the parameters of the MPHE scheme that guarantee correctness of decryption and (computational) security. We explain how our method can be extended to accommodate client nodes that do not participate during the setup phase. We also propose a compression scheme for gradient vectors at each client node that can be readily combined with our MPHE scheme and perform the associated convergence analysis. We discuss the advantages of our proposed scheme with other approaches based on secure multi-party computation. Finally we discuss a practical implementation of our system, compare the performance of our system with different approaches, and demonstrate that by suitably combining compression with encryption the overhead over baseline schemes is rather small.
• Abstract（参考訳）: 連合学習における重要な操作は、個々のクライアントノードによって生成される勾配ベクトルの集約である。 我々は、各勾配の暗号化版のみを受信しながら、中央ノードがこの集約を計算できる多党同型暗号(MPHE)に基づく手法を開発した。 この目的のために,クライアントノードのサブセットのみが利用可能であっても,集約ベクトルの復号化が成功するように,古典的なMPHEメソッドを拡張した。 これは、公開暗号化キーが生成されるMPHEのセットアップフェーズ中にシークレット共有ステップを導入することで実現される。 我々は,復号化の正しさと(計算的な)セキュリティを保証するMPHE方式のパラメータに関する条件を開発する。 設定段階では参加しないクライアントノードに対応するために、我々のメソッドをどのように拡張するかを説明します。 また、各クライアントノードにおける勾配ベクトルの圧縮スキームを提案し、MPHEスキームと容易に結合し、関連する収束解析を行う。 本稿では,セキュアなマルチパーティ計算に基づく他の手法による提案手法の利点について論じる。 最後に,本システムの現実的な実装について議論し,異なるアプローチによるシステム性能の比較を行い,圧縮と暗号化を適切に組み合わせることで,ベースライン方式のオーバーヘッドが比較的小さいことを示す。

関連論文リスト

• Multi-client Functional Encryption for Set Intersection with Non-monotonic Access Structures in Federated Learning [1.2891210250935148]
  クラウドサーバに基づくフェデレーション学習(FL)は、分散機械学習フレームワークである。 非単調なアクセス構造を持つ集合交差に対するマルチクライアント機能暗号方式を提案する。
  論文  参考訳（メタデータ） (2024-12-12T13:19:12Z)
• Coding-Based Hybrid Post-Quantum Cryptosystem for Non-Uniform Information [53.85237314348328]
  我々は、新しいハイブリッドユニバーサルネットワーク符号化暗号(NU-HUNCC)を導入する。 NU-HUNCCは,リンクのサブセットにアクセス可能な盗聴者に対して,個別に情報理論的に保護されていることを示す。
  論文  参考訳（メタデータ） (2024-02-13T12:12:39Z)
• PPIDSG: A Privacy-Preserving Image Distribution Sharing Scheme with GAN in Federated Learning [2.0507547735926424]
  分散学習(FL)は、分散クライアントでのプライバシー保護のための協調トレーニングを可能にするため、注目を集めている。 最近の研究によると、個人データを敵に公開するリスクは依然として残っている。 GAN(PPIDSG)を用いたプライバシー保護型画像配信方式を提案する。
  論文  参考訳（メタデータ） (2023-12-16T08:32:29Z)
• Secure and Scalable Circuit-based Protocol for Multi-Party Private Set Intersection [4.946124980718068]
  回路ベースのアプローチは、このタスクを達成するためにカスタムプロトコルを使用するよりも利点がある。 2つのパーティ間のセキュアな計算を使用することで、プロトコルは複数パーティ間のインタラクションに関連する複雑さを回避します。 回路ベース構築に伴うオーバヘッドを軽減するため,単純なハッシュ方式と置換型ハッシュ関数を用いることで,プロトコルをさらに強化した。
  論文  参考訳（メタデータ） (2023-09-14T03:20:33Z)
• An Efficient and Multi-private Key Secure Aggregation for Federated Learning [41.29971745967693]
  フェデレート学習のための効率的かつ多目的な鍵セキュアアグリゲーション手法を提案する。 具体的には、変種ElGamal暗号を巧みに修正し、同型加算演算を実現する。 高次元深層モデルパラメータに対しては,多次元データを1次元に圧縮する超増進シーケンスを導入する。
  論文  参考訳（メタデータ） (2023-06-15T09:05:36Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [90.60126724503662]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggは、ビザンツの攻撃やプライバシーの漏洩から保護されている。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Communication-Efficient Federated Learning via Quantized Compressed Sensing [82.10695943017907]
  提案フレームワークは,無線機器の勾配圧縮とパラメータサーバの勾配再構成からなる。 勾配スペーシフィケーションと量子化により、我々の戦略は1ビット勾配圧縮よりも高い圧縮比を達成することができる。 圧縮を行わない場合とほぼ同じ性能を実現できることを示す。
  論文  参考訳（メタデータ） (2021-11-30T02:13:54Z)
• Fully Convolutional Networks for Panoptic Segmentation [91.84686839549488]
  そこで我々は,Panoptic FCNという概念的,シンプルで,強力で,効率的なパノプティックセグメンテーションフレームワークを提案する。 我々のアプローチは、統一された完全な畳み込みパイプラインにおいて、前景や背景を表現し、予測することを目的としています。 Panoptic FCNは、提案されたカーネルジェネレータで、各オブジェクトインスタンスまたは物カテゴリを特定のカーネル重みにエンコードする。
  論文  参考訳（メタデータ） (2020-12-01T18:31:41Z)

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。