論文の概要: Technical Evaluation of a Disruptive Approach in Homomorphic AI

• arxiv url: http://arxiv.org/abs/2506.11954v1
• Date: Fri, 13 Jun 2025 17:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.889397
• Title: Technical Evaluation of a Disruptive Approach in Homomorphic AI
• Title（参考訳）: 均質AIにおける破壊的アプローチの技術的評価
• Authors: Eric Filiol,
• Abstract要約: 我々は、HbHAIとして知られる新しい破壊的な暗号手法を、データセキュリティに提示する。 HbHAIは、ほとんどの類似性特性を自然に保存する、キー依存のハッシュ関数の新しいクラスに基づいている。 主要な主張として、HbHAIは暗号化的にセキュアな形式でデータを分析および処理できるようになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a technical evaluation of a new, disruptive cryptographic approach to data security, known as HbHAI (Hash-based Homomorphic Artificial Intelligence). HbHAI is based on a novel class of key-dependent hash functions that naturally preserve most similarity properties, most AI algorithms rely on. As a main claim, HbHAI makes now possible to analyze and process data in its cryptographically secure form while using existing native AI algorithms without modification, with unprecedented performances compared to existing homomorphic encryption schemes. We tested various HbHAI-protected datasets (non public preview) using traditional unsupervised and supervised learning techniques (clustering, classification, deep neural networks) with classical unmodified AI algorithms. This paper presents technical results from an independent analysis conducted with those different, off-the-shelf AI algorithms. The aim was to assess the security, operability and performance claims regarding HbHAI techniques. As a results, our results confirm most these claims, with only a few minor reservations.
• Abstract（参考訳）: 本稿では,HbHAI(Hash-based Homomorphic Artificial Intelligence)と呼ばれる,データセキュリティに対する新しい破壊的暗号手法の技術的評価を行う。 HbHAIは、ほとんどのAIアルゴリズムが依存している、ほとんどの類似性特性を自然に保存する、キー依存のハッシュ関数の新しいクラスに基づいている。 主要な主張として、HbHAIは、既存の同型暗号化方式と比較して前例のないパフォーマンスで、修正せずに既存のネイティブAIアルゴリズムを使用しながら、暗号化的にセキュアな形式でデータを分析および処理できるようになった。 従来の無教師付き学習技術(クラスタリング、分類、ディープニューラルネットワーク)と古典的無修正AIアルゴリズムを用いて、HbHAIが保護するさまざまなデータセット(パブリックプレビューなし)をテストした。 本稿では,これらの異なる既成のAIアルゴリズムを用いて,独立解析による技術的結果を示す。 目的は、HbHAI技術に関するセキュリティ、操作性、パフォーマンスのクレームを評価することである。 その結果、我々の結果はこれらの主張のほとんどを裏付けるものであり、わずかな予約しかなかった。

関連論文リスト

• Killing it with Zero-Shot: Adversarially Robust Novelty Detection [10.739920739067502]
  ノベルティ検出(ND)は、モデル推論中の新しいデータや見えないデータを識別することで、機械学習において重要な役割を果たす。 既存のテクニックは、敵の攻撃を受けた場合、パフォーマンスを維持するのに失敗することが多い。 我々はNDアルゴリズムの堅牢性と性能の向上に注力する。
  論文  参考訳（メタデータ） (2025-01-25T16:44:47Z)
• 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)
• PP-GWAS: Privacy Preserving Multi-Site Genome-wide Association Studies [2.516577526761521]
  本稿では,データプライバシを犠牲にすることなく,計算効率とスケーラビリティの観点から,既存の標準を改善するために設計された新しいアルゴリズムPP-GWASを提案する。 実世界および合成データを用いた実験により、PP-GWASは最先端のアルゴリズムの2倍の速さで計算できることが示された。 我々は、様々なデータセットを用いてその性能を評価し、より効率的でプライベートなゲノム解析を促進する可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-10T17:07:57Z)
• Generalized Oversampling for Learning from Imbalanced datasets and Associated Theory [0.0]
  教師あり学習では、実際の不均衡なデータセットに直面することが多い。 本稿では,カーネル密度推定に基づくデータ拡張手法であるGOLIATHアルゴリズムを提案する。 我々は,不均衡な回帰状況下でのGOLIATHアルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-05T23:08:08Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• An Empirical Study of Derivative-Free-Optimization Algorithms for Targeted Black-Box Attacks in Deep Neural Networks [8.368543987898732]
  本稿では,BOBYQAに基づく新しいアルゴリズムの導入とともに,既存のDFOベースの4つのアルゴリズムについて考察する。 我々は、これらのアルゴリズムを様々な設定で比較し、それらを誤分類した画像の数に応じて比較する。 実験では、敵の例を見つける確率が、使用されるアルゴリズムと攻撃の設定の両方に依存するかを明らかにする。
  論文  参考訳（メタデータ） (2020-12-03T13:32:20Z)
• MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
  我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。 提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
  論文  参考訳（メタデータ） (2020-10-25T23:01:13Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)

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。