論文の概要: CryptGNN: Enabling Secure Inference for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2509.09107v1
• Date: Thu, 11 Sep 2025 02:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.205372
• Title: CryptGNN: Enabling Secure Inference for Graph Neural Networks
• Title（参考訳）: CryptGNN: グラフニューラルネットワークのセキュア推論を実現する
• Authors: Pritam Sen, Yao Ma, Cristian Borcea,
• Abstract要約: CryptGNNは、クラウド上のサードパーティグラフニューラルネットワーク(GNN)モデルに対して、セキュアで効果的な推論ソリューションである。 CryptGNNは、クライアントの入力データとグラフ構造をクラウドプロバイダとサードパーティモデルオーナから保護する。
• 参考スコア（独自算出の注目度）: 8.156116040310794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present CryptGNN, a secure and effective inference solution for third-party graph neural network (GNN) models in the cloud, which are accessed by clients as ML as a service (MLaaS). The main novelty of CryptGNN is its secure message passing and feature transformation layers using distributed secure multi-party computation (SMPC) techniques. CryptGNN protects the client's input data and graph structure from the cloud provider and the third-party model owner, and it protects the model parameters from the cloud provider and the clients. CryptGNN works with any number of SMPC parties, does not require a trusted server, and is provably secure even if P-1 out of P parties in the cloud collude. Theoretical analysis and empirical experiments demonstrate the security and efficiency of CryptGNN.
• Abstract（参考訳）: 我々は、クラウド上のサードパーティグラフニューラルネットワーク(GNN)モデルのセキュアで効果的な推論ソリューションであるCryptGNNを紹介し、MLaaS(MLaaS)としてクライアントからアクセスする。 CryptGNNの主な特徴は、セキュアなメッセージパッシングと、分散セキュアなマルチパーティ計算(SMPC)技術を用いた特徴変換層である。 CryptGNNは、クライアントの入力データとグラフ構造をクラウドプロバイダとサードパーティモデルオーナーから保護し、クラウドプロバイダとクライアントからモデルパラメータを保護します。 CryptGNNは任意の数のSMPCパーティと連携し、信頼できるサーバを必要としない。 理論的解析と実証実験は、CryptGNNの安全性と効率を実証している。

関連論文リスト

• Efficient and Verifiable Privacy-Preserving Convolutional Computation for CNN Inference with Untrusted Clouds [1.1545092788508224]
  本稿では,CNN畳み込み層に適したプライバシー保護手法を提案する。 提案方式は,効率的な暗号化と復号化を可能にし,リソース制約のあるクライアントが信頼できないクラウドサーバにセキュアに計算をオフロードできるようにする。
  論文  参考訳（メタデータ） (2025-08-18T11:17:53Z)
• HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption [3.0841649700901117]
  FHE(Fully Homomorphic Encryption)は、データを暗号化するだけでなく、暗号化されたデータに直接計算を適用することができる暗号化方式である。 本稿では,FHEを深層学習勧告モデル(DLRM)に適用する際の課題と機会について考察する。 本研究では,FHE計算コストを低減し,基礎となるモデル性能を維持しつつ,圧縮埋込みルックアップを実行する新しい手法を開発した。
  論文  参考訳（メタデータ） (2025-06-22T19:40:04Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• Privacy-Preserving Graph Neural Network Training and Inference as a Cloud Service [15.939214141337803]
  SecGNNは、軽量暗号と機械学習技術に関する洞察の相乗効果から構築されている。 SecGNNは、ほぼ手頃な性能で、同等のトレーニングと推論の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-02-16T02:57:10Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)
• 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。