Fugu-MT 論文翻訳(概要): Federated Learning: An approach with Hybrid Homomorphic Encryption

論文の概要: Federated Learning: An approach with Hybrid Homomorphic Encryption

arxiv url: http://arxiv.org/abs/2509.03427v1
Date: Wed, 03 Sep 2025 15:58:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 21:40:46.584871
Title: Federated Learning: An approach with Hybrid Homomorphic Encryption
Title（参考訳）: Federated Learning: ハイブリッド同型暗号化によるアプローチ
Authors: Pedro Correia, Ivan Silva, Ivone Amorim, Eva Maia, Isabel Praça,
Abstract要約: Federated Learning(FL)は、デバイスにデータを保持することでプライバシを保証する分散機械学習アプローチである。本稿では,PASTA対称暗号とBFV FHEスキームをペア化するFLのためのHybrid Homomorphic Encryption (HHE)フレームワークを提案する。 Flower FLフレームワーク上に開発されたプロトタイプ実装では、12のクライアントと10のトレーニングラウンドを持つMNISTデータセットが独立して同一に分散されているため、提案されたHHEシステムは97.6%の精度を実現している。
参考スコア（独自算出の注目度）: 1.7181078670359513
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Learning (FL) is a distributed machine learning approach that promises privacy by keeping the data on the device. However, gradient reconstruction and membership-inference attacks show that model updates still leak information. Fully Homomorphic Encryption (FHE) can address those privacy concerns but it suffers from ciphertext expansion and requires prohibitive overhead on resource-constrained devices. We propose the first Hybrid Homomorphic Encryption (HHE) framework for FL that pairs the PASTA symmetric cipher with the BFV FHE scheme. Clients encrypt local model updates with PASTA and send both the lightweight ciphertexts and the PASTA key (itself BFV-encrypted) to the server, which performs a homomorphic evaluation of the decryption circuit of PASTA and aggregates the resulting BFV ciphertexts. A prototype implementation, developed on top of the Flower FL framework, shows that on independently and identically distributed MNIST dataset with 12 clients and 10 training rounds, the proposed HHE system achieves 97.6% accuracy, just 1.3% below plaintext, while reducing client upload bandwidth by over 2,000x and cutting client runtime by 30% compared to a system based solely on the BFV FHE scheme. However, server computational cost increases by roughly 15621x for each client participating in the training phase, a challenge to be addressed in future work.
Abstract（参考訳）: Federated Learning(FL)は、デバイスにデータを保持することでプライバシを保証する分散機械学習アプローチである。しかし、勾配再構成とメンバーシップ推論攻撃は、モデル更新が依然として情報を漏洩していることを示している。 FHE(Fully Homomorphic Encryption)は、これらのプライバシー上の懸念に対処できるが、暗号文の拡張に悩まされ、リソースに制約のあるデバイスに対する制限的なオーバーヘッドが要求される。本稿では,PASTA対称暗号とBFV FHEスキームをペア化するFLのためのHybrid Homomorphic Encryption (HHE)フレームワークを提案する。クライアントは、PASTAでローカルモデルの更新を暗号化し、軽量暗号文とPASTAキーの両方をサーバに送信し、PASTAの復号回路の同型評価を行い、その結果のBFV暗号文を集約する。 Flower FLフレームワーク上に開発されたプロトタイプ実装では、12のクライアントと10のトレーニングラウンドを持つMNISTデータセットが独立して同一に分散され、提案されたHHEシステムは97.6%の精度で、平文以下で1.3%の精度を実現し、クライアントアップロードの帯域幅を2000倍以上削減し、クライアントランタイムを30%削減した。しかし、サーバの計算コストはトレーニングフェーズに参加する各クライアントの約15621倍に増加し、今後の作業で対処すべき課題となる。

関連論文リスト

Secure Multi-Key Homomorphic Encryption with Application to Privacy-Preserving Federated Learning [10.862166653863571]
マルチパーティ安全な計算タスクに適用した場合、CDKSスキームにおける重要なセキュリティ脆弱性を特定する。マルチキーBFVおよびCKKSフレームワークに新しいマスキング機構を組み込んだ新しいスキームSMHEを提案する。 SMHEを用いてPPFLアプリケーションを実装し,ランタイム評価のオーバーヘッドを最小限に抑えて,セキュリティを大幅に改善することを示した。
論文参考訳（メタデータ） (2025-06-25T03:28:25Z)
QuanCrypt-FL: Quantized Homomorphic Encryption with Pruning for Secure Federated Learning [0.48342038441006796]
我々は,攻撃に対する防御を強化するために,低ビット量子化とプルーニング技術を組み合わせた新しいアルゴリズムQuanCrypt-FLを提案する。我々は、MNIST、CIFAR-10、CIFAR-100データセットに対するアプローチを検証し、最先端手法と比較して優れた性能を示す。 QuanCrypt-FLは、最大9倍高速暗号化、16倍高速復号化、1.5倍高速推論を実現し、トレーニング時間を最大3倍短縮する。
論文参考訳（メタデータ） (2024-11-08T01:46:00Z)
Coding-Based Hybrid Post-Quantum Cryptosystem for Non-Uniform Information [53.85237314348328]
我々は、新しいハイブリッドユニバーサルネットワーク符号化暗号(NU-HUNCC)を導入する。 NU-HUNCCは,リンクのサブセットにアクセス可能な盗聴者に対して,個別に情報理論的に保護されていることを示す。
論文参考訳（メタデータ） (2024-02-13T12:12:39Z)
Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
論文参考訳（メタデータ） (2024-02-06T07:25:21Z)
FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users [19.209830150036254]
従来の機械学習パラダイムにおけるデータプライバシの問題を軽減するために、フェデレートラーニング(FL)技術が開発された。次世代のFLアーキテクチャでは、モデル更新をサーバから保護するための暗号化と匿名化技術が提案されている。本稿では,完全同型暗号(FHE)に基づく新しいFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T11:20:00Z)
Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文参考訳（メタデータ） (2022-07-19T05:47:30Z)
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)
CodedPaddedFL and CodedSecAgg: Straggler Mitigation and Secure Aggregation in Federated Learning [86.98177890676077]
本稿では, 階層化デバイスの効果を緩和する線形回帰のための2つの新しい符号付きフェデレーションラーニング手法を提案する。最初のスキームであるCodedPaddedFLは、従来のFLのプライバシレベルを維持しながら、ストラグリングデバイスの効果を緩和する。第2のスキームであるCodedSecAggは、モデル反転攻撃に対するストラグラーレジリエンスと堅牢性を提供する。
論文参考訳（メタデータ） (2021-12-16T14:26:30Z)

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。