論文の概要: EVA-S2PMLP: Secure and Scalable Two-Party MLP via Spatial Transformation

• arxiv url: http://arxiv.org/abs/2506.15102v1
• Date: Wed, 18 Jun 2025 03:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.538148
• Title: EVA-S2PMLP: Secure and Scalable Two-Party MLP via Spatial Transformation
• Title（参考訳）: EVA-S2PMLP:空間変換によるセキュアでスケーラブルな双方向MLP
• Authors: Shizhao Peng, Shoumo Li, Tianle Tao,
• Abstract要約: 本稿では, 効率よく, 検証し, 精度の高い2要素多層パーセプトロンフレームワークである textbfEVA-S2PMLP について述べる。 EVA-S2PMLPは高い推論精度を実現し、通信オーバーヘッドを大幅に削減し、ベースラインよりも最大12.3タイムで改善できる。 これは、ファイナンス、ヘルスケア、組織間AIアプリケーションにおけるプライバシ保護ニューラルネットワークトレーニングの実践的なソリューションである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-preserving neural network training in vertically partitioned scenarios is vital for secure collaborative modeling across institutions. This paper presents \textbf{EVA-S2PMLP}, an Efficient, Verifiable, and Accurate Secure Two-Party Multi-Layer Perceptron framework that introduces spatial-scale optimization for enhanced privacy and performance. To enable reliable computation under real-number domain, EVA-S2PMLP proposes a secure transformation pipeline that maps scalar inputs to vector and matrix spaces while preserving correctness. The framework includes a suite of atomic protocols for linear and non-linear secure computations, with modular support for secure activation, matrix-vector operations, and loss evaluation. Theoretical analysis confirms the reliability, security, and asymptotic complexity of each protocol. Extensive experiments show that EVA-S2PMLP achieves high inference accuracy and significantly reduced communication overhead, with up to $12.3\times$ improvement over baselines. Evaluation on benchmark datasets demonstrates that the framework maintains model utility while ensuring strict data confidentiality, making it a practical solution for privacy-preserving neural network training in finance, healthcare, and cross-organizational AI applications.
• Abstract（参考訳）: 垂直に分割されたシナリオにおけるプライバシ保護ニューラルネットワークトレーニングは、機関間での安全な協調モデリングに不可欠である。 本稿では,プライバシーと性能向上のための空間スケール最適化を導入した,高効率で検証可能で高精度な2要素多層パーセプトロンフレームワークである,textbf{EVA-S2PMLP}を提案する。 EVA-S2PMLPは、実数領域での信頼性の高い計算を可能にするために、スカラー入力をベクトルおよび行列空間にマッピングし、正確性を保ちながらセキュアな変換パイプラインを提案する。 このフレームワークには、線形および非線形のセキュアな計算のための一連のアトミックプロトコルが含まれており、セキュアなアクティベーション、行列ベクトル演算、損失評価をモジュールサポートしている。 理論的解析により、各プロトコルの信頼性、セキュリティ、漸近的な複雑さが確認される。 大規模な実験により、EVA-S2PMLPは高い推論精度と通信オーバーヘッドを著しく低減し、ベースラインよりも最大12.3\times$改善した。 ベンチマークデータセットの評価によると、このフレームワークは厳格なデータ機密性を確保しながらモデルユーティリティを維持しており、財務、医療、組織間AIアプリケーションにおけるプライバシ保護ニューラルネットワークトレーニングの実践的なソリューションとなっている。

関連論文リスト

• Secure Distributed Learning for CAVs: Defending Against Gradient Leakage with Leveled Homomorphic Encryption [0.0]
  ホモモルフィック暗号化(HE)は、差分プライバシー(DP)とセキュアマルチパーティ計算(SMPC)に代わる有望な代替手段を提供する 資源制約のある環境において,フェデレートラーニング(FL)に最も適したHE方式の評価を行った。 我々は、モデル精度を維持しながら、Gradients (DLG)攻撃からのDeep Leakageを効果的に軽減するHEベースのFLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-06-09T16:12:18Z)
• EVA-S2PLoR: A Secure Element-wise Multiplication Meets Logistic Regression on Heterogeneous Database [2.1010315462623184]
  本稿では, 効率よく, 検証し, 正確な2次元ロジスティック回帰フレームワーク(EVA-S2PLoR)を提案する。 我々のフレームワークは、主にセキュアな2次元ベクトル要素ワイド乗算と、データディスガージング技術に基づく乗算、相反関数、シグモイド関数を含む。
  論文  参考訳（メタデータ） (2025-01-09T13:19:59Z)
• 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)
• EVA-S3PC: Efficient, Verifiable, Accurate Secure Matrix Multiplication Protocol Assembly and Its Application in Regression [6.706306851710546]
  EVA-S3PCはFloat64計算において最大14桁の精度を達成する。 EVA-S3PCを垂直分割データに用いてトレーニングした3次元回帰モデルは、平文学習とほぼ同一の精度を実現する。
  論文  参考訳（メタデータ） (2024-11-05T18:38:44Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Scaling #DNN-Verification Tools with Efficient Bound Propagation and Parallel Computing [57.49021927832259]
  ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。 しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。 DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-10T13:51:25Z)
• Receptive Field-based Segmentation for Distributed CNN Inference Acceleration in Collaborative Edge Computing [93.67044879636093]
  協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。 我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
  論文  参考訳（メタデータ） (2022-07-22T18:38:11Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。