論文の概要: Measuring Computational Universality of Fully Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2504.11604v1
• Date: Tue, 15 Apr 2025 20:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:37:59.816854
• Title: Measuring Computational Universality of Fully Homomorphic Encryption
• Title（参考訳）: 完全同型暗号の計算普遍性の測定
• Authors: Jiaqi Xue, Xin Xin, Wei Zhang, Mengxin Zheng, Qianqian Song, Minxuan Zhou, Yushun Dong, Dongjie Wang, Xun Chen, Jiafeng Xie, Liqiang Wang, David Mohaisen, Hongyi Wu, Qian Lou,
• Abstract要約: ホモモルフィック暗号化(FHE)は、暗号化データ上で直接計算を行うための強力なアプローチとして登場した。 我々は,既存のFHE手法が計算的普遍性を達成できるかどうかを体系的に評価し,評価する。 以上の結果から,現在のFHEソリューションでは大きなオーバーヘッドがみられた。
• 参考スコア（独自算出の注目度）: 45.81993472813605
• License:
• Abstract: Many real-world applications, such as machine learning and graph analytics, involve combinations of linear and non-linear operations. As these applications increasingly handle sensitive data, there is a significant demand for privacy-preserving computation techniques capable of efficiently supporting both types of operations-a property we define as "computational universality." Fully Homomorphic Encryption (FHE) has emerged as a powerful approach to perform computations directly on encrypted data. In this paper, we systematically evaluate and measure whether existing FHE methods achieve computational universality or primarily favor either linear or non-linear operations, especially in non-interactive settings. We evaluate FHE universality in three stages. First, we categorize existing FHE methods into ten distinct approaches and analyze their theoretical complexities, selecting the three most promising universal candidates. Next, we perform measurements on representative workloads that combine linear and non-linear operations in various sequences, assessing performance across different bit lengths and with SIMD parallelization enabled or disabled. Finally, we empirically evaluate these candidates on five real-world, privacy-sensitive applications, where each involving arithmetic (linear) and comparison-like (non-linear) operations. Our findings indicate significant overheads in current universal FHE solutions, with efficiency strongly influenced by SIMD parallelism, word-wise versus bit-wise operations, and the trade-off between approximate and exact computations. Additionally, our analysis provides practical guidance to help practitioners select the most suitable universal FHE schemes and algorithms based on specific application requirements.
• Abstract（参考訳）: 機械学習やグラフ解析といった現実世界の多くのアプリケーションは、線形と非線形の操作の組み合わせを含んでいる。 これらのアプリケーションは、ますますセンシティブなデータを扱うようになっているため、我々は「計算普遍性」と定義する特性である、両方のタイプの操作を効率的にサポートできるプライバシー保護計算技術に対する大きな需要がある。 FHE(Fully Homomorphic Encryption)は、暗号化データ上で直接計算を行うための強力なアプローチとして登場した。 本稿では,既存のFHE手法が計算的普遍性を達成するか否かを系統的に評価・評価する。 FHEの普遍性を3段階に分けて評価した。 まず、既存のFHE手法を10の異なるアプローチに分類し、それらの理論的複雑さを分析し、最も有望な3つの普遍的候補を選択する。 次に、線形および非線形の操作を様々なシーケンスで組み合わせ、異なるビット長で性能を評価し、SIMD並列化を有効にまたは無効にする代表的ワークロードの測定を行う。 最後に、これらの候補を実世界の5つのプライバシーに敏感なアプリケーションで実証的に評価し、それぞれが算術的(線形)と比較的(非線形)操作を含むことを示した。 本研究は, SIMD並列処理, ワードワイド演算, ビットワイド演算, 近似計算と正確な計算のトレードオフに強い影響を受け, 現行の汎用FHEソリューションにおける大きなオーバーヘッドを示唆するものである。 さらに、本分析は、実践者が特定のアプリケーション要件に基づいて最も適した普遍的なFHEスキームとアルゴリズムを選択するのを助けるための実践的なガイダンスを提供する。

関連論文リスト

• Federated Binary Matrix Factorization using Proximal Optimization [43.01276597844757]
  本稿では,最先端の2値行列分解緩和をBMFに適用する。 提案アルゴリズムは,実世界および合成データの多種多様なセット上で,最先端のBMF手法のフェデレーションスキームにおいて,品質と有効性において優れることを示す。
  論文  参考訳（メタデータ） (2024-07-01T20:10:24Z)
• 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)
• Greedy Modality Selection via Approximate Submodular Maximization [19.22947539760366]
  マルチモーダル学習は、異質な情報ソースを融合することを目的としたマルチモーダルデータからの学習を検討する。 メモリ制約のため、利用可能なすべてのモダリティを活用することが常に可能であるとは限らない。 本研究では,ある計算制約の下で最も情報的かつ補完的なモダリティを効率的に選択することを目的としたモダリティ選択について検討する。
  論文  参考訳（メタデータ） (2022-10-22T22:07:27Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Minimal Cycle Representatives in Persistent Homology using Linear Programming: an Empirical Study with User's Guide [4.46514714749204]
  永続ホモロジークラスのサイクル代表は、データ内のトポロジ的特徴の説明に使用することができる。 この問題を解決するためのアプローチの1つは、データのコンテキストで意味のある尺度に対して代表者の選択を最適化することです。
  論文  参考訳（メタデータ） (2021-05-14T18:38:48Z)
• Objective-Sensitive Principal Component Analysis for High-Dimensional Inverse Problems [0.0]
  本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。 開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。 最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
  論文  参考訳（メタデータ） (2020-06-02T18:51:17Z)
• Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark [57.10850350508929]
  我々は、異種ネットワーク埋め込み(HNE)に関する既存の研究を要約し、評価するための統一的なフレームワークを提供することを目指している。 最初のコントリビューションとして、既存のHNEアルゴリズムのメリットを体系的に分類し分析するための一般的なパラダイムを提供する。 第2のコントリビューションとして、さまざまなソースから、スケール、構造、属性/ラベルの可用性などに関するさまざまな特性を備えた4つのベンチマークデータセットを作成します。 第3のコントリビューションとして、13の人気のあるHNEアルゴリズムに対するフレンドリなインターフェースを作成し、複数のタスクと実験的な設定に対して、それらの全周比較を提供する。
  論文  参考訳（メタデータ） (2020-04-01T03:42:11Z)

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。