論文の概要: Evaluation of Privacy-aware Support Vector Machine (SVM) Learning using Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2503.04652v1
• Date: Thu, 06 Mar 2025 17:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:11.956589
• Title: Evaluation of Privacy-aware Support Vector Machine (SVM) Learning using Homomorphic Encryption
• Title（参考訳）: 均質暗号化を用いたプライバシ認識支援ベクトルマシン(SVM)学習の評価
• Authors: William J Buchanan, Hisham Ali,
• Abstract要約: 機械学習モデルに入力される前にデータを暗号化するためのホモモルフィック暗号化(FHE)。 これには、同型暗号化キーペアを作成し、関連する公開キーを使用して入力データを暗号化し、プライベートキーは出力を復号する。 本稿では,OpenFHE同型暗号化ライブラリを用いたSVM機械学習技術の性能上のオーバーヘッドを評価する。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License:
• Abstract: The requirement for privacy-aware machine learning increases as we continue to use PII (Personally Identifiable Information) within machine training. To overcome these privacy issues, we can apply Fully Homomorphic Encryption (FHE) to encrypt data before it is fed into a machine learning model. This involves creating a homomorphic encryption key pair, and where the associated public key will be used to encrypt the input data, and the private key will decrypt the output. But, there is often a performance hit when we use homomorphic encryption, and so this paper evaluates the performance overhead of using the SVM machine learning technique with the OpenFHE homomorphic encryption library. This uses Python and the scikit-learn library for its implementation. The experiments include a range of variables such as multiplication depth, scale size, first modulus size, security level, batch size, and ring dimension, along with two different SVM models, SVM-Poly and SVM-Linear. Overall, the results show that the two main parameters which affect performance are the ring dimension and the modulus size, and that SVM-Poly and SVM-Linear show similar performance levels.
• Abstract（参考訳）: プライバシを意識した機械学習の要件は,PII(Personally Identible Information)をマシンラーニングのトレーニングに使用し続けるにつれて増大する。 これらのプライバシー問題を克服するために、機械学習モデルに入力される前にデータの暗号化にFHE(Fully Homomorphic Encryption)を適用することができます。 これには、同型暗号化キーペアを作成し、関連する公開キーを使用して入力データを暗号化し、プライベートキーは出力を復号する。 そこで本研究では,OpenFHEの同型暗号化ライブラリを用いたSVM機械学習技術を用いて,性能上のオーバーヘッドを評価する。 実装にはPythonとScikit-learnライブラリを使用する。 実験には、乗算深度、スケールサイズ、最初のモジュラーサイズ、セキュリティレベル、バッチサイズ、リング次元などの変数と、SVM-PolyとSVM-Linearの2つの異なるSVMモデルが含まれる。 その結果,SVM-Poly と SVM-Linear の2つの主パラメータはリング次元とモジュラーサイズであり,SVM-Poly と SVM-Linear は類似した性能を示すことがわかった。

関連論文リスト

• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Rethinking LLM Memorization through the Lens of Adversarial Compression [93.13830893086681]
  Webスケールデータセットでトレーニングされた大規模言語モデル(LLM)は、許容可能なデータ使用に関する重大な懸念を提起する。 ひとつ大きな疑問は、これらのモデルがすべてのトレーニングデータを"記憶する"のか、それとも、人間がどのように情報を学び、合成するかに何らかの方法で多くのデータソースを統合するのかである。 本稿では,LLMの記憶度を評価する指標として,ACR(Adversarial Compression Ratio)を提案する。
  論文  参考訳（メタデータ） (2024-04-23T15:49:37Z)
• Learning in the Dark: Privacy-Preserving Machine Learning using Function Approximation [1.8907108368038215]
  Learning in the Darkは、暗号化された画像を高精度に分類できる、プライバシ保護機械学習モデルである。 暗号化データ上で直接計算を行うことで、高精度な予測を行うことができる。
  論文  参考訳（メタデータ） (2023-09-15T06:45:58Z)
• Privacy Side Channels in Machine Learning Systems [87.53240071195168]
  プライバシサイドチャネルは、システムレベルのコンポーネントを利用してプライベート情報を抽出する攻撃である。 例えば、差分プライベートなトレーニングを適用する前にトレーニングデータを重複させることで、保証可能なプライバシ保証を完全に無効にするサイドチャネルが生成されることを示す。 さらに,学習データセットに含まれる秘密鍵を抽出するために,言語モデルを学習データ再生からブロックするシステムを利用することを示す。
  論文  参考訳（メタデータ） (2023-09-11T16:49:05Z)
• Robust Representation Learning for Privacy-Preserving Machine Learning: A Multi-Objective Autoencoder Approach [0.9831489366502302]
  プライバシー保護機械学習(ppML)のための堅牢な表現学習フレームワークを提案する。 提案手法は,多目的方式でオートエンコーダを訓練することを中心に,符号化部からの潜伏と学習の特徴を符号化形式として結合する。 提案したフレームワークでは、元のフォームを公開せずに、データを共有し、サードパーティツールを使用することができます。
  論文  参考訳（メタデータ） (2023-09-08T16:41:25Z)
• Privacy-Preserving Chaotic Extreme Learning Machine with Fully Homomorphic Encryption [5.010425616264462]
  完全同型暗号を用いたカオス・エクストリーム学習マシンとその暗号化形式を提案する。 提案手法は,ほとんどのデータセットにおいて,従来のエクストリーム学習マシンとよくあるいは類似している。
  論文  参考訳（メタデータ） (2022-08-04T11:29:52Z)
• Effect of Homomorphic Encryption on the Performance of Training Federated Learning Generative Adversarial Networks [10.030986278376567]
  GAN(Generative Adversarial Network)は、機械学習(ML)分野におけるディープラーニング生成モデルである。 医学などの特定の分野において、トレーニングデータは、異なる病院にまたがって保存される病院患者の記録である可能性がある。 本稿では,3種類のホモモルフィック暗号を用いたFL-GANの学習性能の低下に着目した。
  論文  参考訳（メタデータ） (2022-07-01T08:35:10Z)
• 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)
• TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption [0.0]
  モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。 我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-07T14:32:38Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)
• User-Level Privacy-Preserving Federated Learning: Analysis and Performance Optimization [77.43075255745389]
  フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。 情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。 サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-29T10:13:39Z)

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。