論文の概要: Enhancing Noisy Functional Encryption for Privacy-Preserving Machine Learning

• arxiv url: http://arxiv.org/abs/2505.05843v1
• Date: Fri, 09 May 2025 07:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.186052
• Title: Enhancing Noisy Functional Encryption for Privacy-Preserving Machine Learning
• Title（参考訳）: プライバシ保護機械学習のためのノイズ機能暗号化
• Authors: Linda Scheu-Hachtel, Jasmin Zalonis,
• Abstract要約: 関数暗号(FE)はプライバシー保護機械学習(PPML)に関心を寄せている。 我々はノイズ多入力関数暗号(NMIFE)の概念を(動的)雑音多クライアント関数暗号((Dy)NMCFE)に拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional encryption (FE) has recently attracted interest in privacy-preserving machine learning (PPML) for its unique ability to compute specific functions on encrypted data. A related line of work focuses on noisy FE, which ensures differential privacy in the output while keeping the data encrypted. We extend the notion of noisy multi-input functional encryption (NMIFE) to (dynamic) noisy multi-client functional encryption ((Dy)NMCFE), which allows for more flexibility in the number of data holders and analyses, while protecting the privacy of the data holder with fine-grained access through the usage of labels. Following our new definition of DyNMCFE, we present DyNo, a concrete inner-product DyNMCFE scheme. Our scheme captures all the functionalities previously introduced in noisy FE schemes, while being significantly more efficient in terms of space and runtime and fulfilling a stronger security notion by allowing the corruption of clients. To further prove the applicability of DyNMCFE, we present a protocol for PPML based on DyNo. According to this protocol, we train a privacy-preserving logistic regression.
• Abstract（参考訳）: 関数暗号化(FE)は、暗号化データ上で特定の関数を計算するユニークな能力を持つため、プライバシ保護機械学習(PPML)に関心を寄せている。 関連する作業の行は、データの暗号化を維持しながら出力の差分プライバシーを保証するノイズの多いFEに焦点を当てている。 我々は,NMIFE(noisy multi-input functional encryption)の概念を,(Dy)NMCFE(noisy multi-client functional encryption)に拡張する。 DyNMCFEの新たな定義に従い、コンクリート内産物DyNMCFEスキームであるDyNNoを提示する。 提案手法は,従来のノイズの多いFEスキームで導入された機能をすべて捉えるとともに,空間やランタイムの面ではるかに効率的であり,クライアントの破損を許容することで,より強力なセキュリティ概念を実現する。 DyNMCFEの適用性をさらに証明するために,DyNoに基づくPPMLプロトコルを提案する。 このプロトコルでは、プライバシ保護のロジスティック回帰をトレーニングする。

関連論文リスト

• The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries [14.232901861974819]
  プライバシー保護機械学習(PPML)は、機密情報を保護しながらセキュアなデータ分析を可能にする革新的なアプローチである。 セキュアな線形関数評価のための効率的なプロトコルを導入する。 我々は、このプロトコルを拡張して、線形層と非線形層を扱い、幅広い機械学習モデルとの互換性を確保する。
  論文  参考訳（メタデータ） (2024-11-14T08:55:14Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• Privacy-Preserving Traceable Functional Encryption for Inner Product [0.3683202928838613]
  内部製品用トレーサブル機能暗号化(TFE-IP)と呼ばれる新しいプリミティブが提案されている。 ユーザのアイデンティティのプライバシ保護は、既存のTFE-IPスキームでは考慮されていない。
  論文  参考訳（メタデータ） (2024-04-07T08:09:46Z)
• SoK: Privacy Preserving Machine Learning using Functional Encryption: Opportunities and Challenges [1.2183405753834562]
  プライバシー保護機械学習(PPML)アプリケーションのための内積-FEおよび準積-FEベースの機械学習モデルに焦点を当てる。 私たちの知る限りでは、FEベースのPPMLアプローチを体系化する最初の作業です。
  論文  参考訳（メタデータ） (2022-04-11T14:15:36Z)
• Reinforcement Learning on Encrypted Data [58.39270571778521]
  本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。 その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
  論文  参考訳（メタデータ） (2021-09-16T21:59:37Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。