Fugu-MT 論文翻訳(概要): Secure and Efficient $L^p$-Norm Computation for Two-Party Learning Applications

論文の概要: Secure and Efficient $L^p$-Norm Computation for Two-Party Learning Applications

arxiv url: http://arxiv.org/abs/2509.05552v1
Date: Sat, 06 Sep 2025 00:44:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-09 14:07:03.576564
Title: Secure and Efficient $L^p$-Norm Computation for Two-Party Learning Applications
Title（参考訳）: 2要素学習アプリケーションのためのセキュアで効率的な$L^p$-Norm計算
Authors: Ali Arastehfard, Weiran Liu, Joshua Lee, Bingyu Liu, Xuegang Ban, Yuan Hong,
Abstract要約: セキュアな2パーティ$Lp$-norm計算のための,最初の包括的フレームワークを提案する。当社のフレームワークは,通信オーバーヘッドを$36times$,$4times$,$21times$を$p=1$,$2$,$infty$と減らしながら,ランタイムの8,271times$,$42times$の改善を実現しています。私たちは、セキュアな機械学習推論にCrypto-$Lp$フレームワークを適用するための第一歩を踏み出し、SOTAシステムと比較して通信コストを3倍に削減します。
参考スコア（独自算出の注目度）: 12.518765598093971
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Secure norm computation is becoming increasingly important in many real-world learning applications. However, existing cryptographic systems often lack a general framework for securely computing the $L^p$-norm over private inputs held by different parties. These systems often treat secure norm computation as a black-box process, neglecting to design tailored cryptographic protocols that optimize performance. Moreover, they predominantly focus on the $L^2$-norm, paying little attention to other popular $L^p$-norms, such as $L^1$ and $L^\infty$, which are commonly used in practice, such as machine learning tasks and location-based services. To our best knowledge, we propose the first comprehensive framework for secure two-party $L^p$-norm computations ($L^1$, $L^2$, and $L^\infty$), denoted as \mbox{Crypto-$L^p$}, designed to be versatile across various applications. We have designed, implemented, and thoroughly evaluated our framework across a wide range of benchmarking applications, state-of-the-art (SOTA) cryptographic protocols, and real-world datasets to validate its effectiveness and practical applicability. In summary, \mbox{Crypto-$L^p$} outperforms prior works on secure $L^p$-norm computation, achieving $82\times$, $271\times$, and $42\times$ improvements in runtime while reducing communication overhead by $36\times$, $4\times$, and $21\times$ for $p=1$, $2$, and $\infty$, respectively. Furthermore, we take the first step in adapting our Crypto-$L^p$ framework for secure machine learning inference, reducing communication costs by $3\times$ compared to SOTA systems while maintaining comparable runtime and accuracy.
Abstract（参考訳）: 多くの現実世界の学習アプリケーションでは、セキュアなノルム計算がますます重要になっている。しかし、既存の暗号システムでは、異なるパーティが保持するプライベート入力に対して$L^p$-normを安全に計算するための一般的なフレームワークが欠如していることが多い。これらのシステムはしばしばブラックボックスプロセスとしてセキュアなノルム計算を扱い、性能を最適化する最適化された暗号プロトコルの設計を無視する。さらに、主に$L^2$-normに注目し、マシンラーニングタスクやロケーションベースのサービスなど、一般的に使用される$L^1$や$L^\infty$など、他の一般的な$L^p$-normにはほとんど注意を払わない。我々の知る限り、我々は、様々なアプリケーションにまたがって汎用性を持たせるように設計された二要素の$L^p$-norm計算(L^1$, $L^2$, $L^\infty$)をセキュアにするための最初の包括的なフレームワークを提案する。我々は、我々のフレームワークを幅広いベンチマークアプリケーション、最先端暗号プロトコル(SOTA)、実世界のデータセットで設計し、実装し、徹底的に評価し、その有効性と実用性を評価した。要約すると、 \mbox{Crypto-$L^p$} は、セキュアな$L^p$-norm計算において、それぞれ$p=1$、$2$、$12\times$、$271\times$、$42\times$の改善を達成し、通信オーバーヘッドを$36\times$、$4\times$、$21\times$で減らした。さらに、セキュアな機械学習推論のためのCrypto-$L^p$フレームワークの適用の第一歩として、通信コストをSOTAシステムと比較し、同等のランタイムと精度を維持しながら、通信コストを$3\times$に削減します。

論文の概要: Secure and Efficient $L^p$-Norm Computation for Two-Party Learning Applications

関連論文リスト