論文の概要: Secure Sparse Matrix Multiplications and their Applications to Privacy-Preserving Machine Learning

• arxiv url: http://arxiv.org/abs/2510.14894v1
• Date: Thu, 16 Oct 2025 17:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.96718
• Title: Secure Sparse Matrix Multiplications and their Applications to Privacy-Preserving Machine Learning
• Title（参考訳）: セキュアなスパース行列乗法とプライバシ保護機械学習への応用
• Authors: Marc Damie, Florian Hahn, Andreas Peter, Jan Ramon,
• Abstract要約: マルチパーティ計算(MPC)は、シークレット共有または暗号化されたデータ上で機械学習(ML)アルゴリズムの実行を可能にする。 MPCフレームワークはスパースデータに最適化されていない。 秘密のスパース行列を乗算するMPCアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.0966075492209715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To preserve privacy, multi-party computation (MPC) enables executing Machine Learning (ML) algorithms on secret-shared or encrypted data. However, existing MPC frameworks are not optimized for sparse data. This makes them unsuitable for ML applications involving sparse data, e.g., recommender systems or genomics. Even in plaintext, such applications involve high-dimensional sparse data, that cannot be processed without sparsity-related optimizations due to prohibitively large memory requirements. Since matrix multiplication is central in ML algorithms, we propose MPC algorithms to multiply secret sparse matrices. On the one hand, our algorithms avoid the memory issues of the "dense" data representation of classic secure matrix multiplication algorithms. On the other hand, our algorithms can significantly reduce communication costs (some experiments show a factor 1000) for realistic problem sizes. We validate our algorithms in two ML applications in which existing protocols are impractical. An important question when developing MPC algorithms is what assumptions can be made. In our case, if the number of non-zeros in a row is a sensitive piece of information then a short runtime may reveal that the number of non-zeros is small. Existing approaches make relatively simple assumptions, e.g., that there is a universal upper bound to the number of non-zeros in a row. This often doesn't align with statistical reality, in a lot of sparse datasets the amount of data per instance satisfies a power law. We propose an approach which allows adopting a safe upper bound on the distribution of non-zeros in rows/columns of sparse matrices.
• Abstract（参考訳）: プライバシを保護するために、マルチパーティ計算(MPC)は、シークレット共有または暗号化されたデータ上で機械学習(ML)アルゴリズムを実行することができる。 しかし、既存のMPCフレームワークはスパースデータに最適化されていない。 これにより、スパースデータ、例えばレコメンダシステムやゲノミクスを含むMLアプリケーションには適さない。 平文であっても、そのようなアプリケーションは高次元のスパースデータを含むため、メモリの要求が著しく大きいため、空間的な最適化なしでは処理できない。 行列乗算はMLアルゴリズムの中心であるため,秘密のスパース行列を乗算するMPCアルゴリズムを提案する。 一方,我々のアルゴリズムは,古典的セキュア行列乗算アルゴリズムの「dense」データ表現のメモリ問題を回避する。 一方,本アルゴリズムは,現実的な問題サイズに対する通信コストを著しく削減することができる(実験によっては1000倍)。 既存のプロトコルが実用的でない2つのMLアプリケーションでアルゴリズムを検証する。 MPCアルゴリズムを開発する際の重要な疑問は、どのような仮定が可能であるかである。 我々の場合、行内の非ゼロの数がセンシティブな情報であるなら、短いランタイムは非ゼロの数が小さいことを明らかにするかもしれない。 既存のアプローチは、例えば、行に 0 でない数に普遍上界が存在するという比較的単純な仮定をする。 これはしばしば統計的な現実と一致しないが、スパースデータセットの多くは、インスタンスあたりのデータ量が電力法則を満たす。 スパース行列の行/列における非ゼロの分布に安全な上限を適用できるアプローチを提案する。

関連論文リスト

• Slicing Is All You Need: Towards A Universal One-Sided Algorithm for Distributed Matrix Multiplication [0.0]
  本稿では分散行列乗算のための一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺一辺 アルゴリズムはパーティショニングとレプリケーションのすべての組み合わせをサポートする。 我々は高レベルなC++ベースのPGASプログラミングフレームワークを用いてアルゴリズムを実装した。
  論文  参考訳（メタデータ） (2025-10-10T00:11:39Z)
• Fast Plaintext-Ciphertext Matrix Multiplication from Additively Homomorphic Encryption [0.0]
  平文-暗号行列乗法は、プライバシ保存計算において必須のツールである。 未パッケージ加法的同型暗号方式から効率的なPC-MMを提案する。 提案手法は, 比較的小さなビット幅を持つ大行列に対して, 最先端技術と比較して, 最大で1桁の高速化を実現する。
  論文  参考訳（メタデータ） (2025-04-20T05:28:46Z)
• Practical Secure Delegated Linear Algebra with Trapdoored Matrices [1.3965477771846408]
  最も重い計算は、第2のパーティが所有するサーバで行われる。 これによりデータのプライバシが低下し、データ公開計算への関心が高まる。 我々は、高速かつデータ公開のデリゲート線型代数に対する自然効率性とセキュリティデシダータを述べる。
  論文  参考訳（メタデータ） (2025-02-18T17:05:17Z)
• Scalable Private Partition Selection via Adaptive Weighting [66.09199304818928]
  プライベート・セット・ユニオンでは、ユーザーは非有界宇宙からのアイテムのサブセットを保持する。 目標は、ユーザレベルの差分プライバシーを維持しながら、ユーザセットの統一から可能な限り多くのアイテムを出力することである。 この問題に対するアルゴリズムであるMaxDegree (MAD) を提案する。これは、プライバシに必要なしきい値よりもはるかに重いものからより小さいものへ、より適応的に重みを還元するアルゴリズムである。 我々のアルゴリズムは並列アルゴリズムの中で最高の結果を提供し、数十億の項目からなるデータセットにスケールする。
  論文  参考訳（メタデータ） (2025-02-13T01:27:11Z)
• Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
  クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。 これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。 我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
  論文  参考訳（メタデータ） (2022-07-26T04:38:47Z)
• Non-PSD Matrix Sketching with Applications to Regression and Optimization [56.730993511802865]
  非PSDおよび2乗根行列の次元削減法を提案する。 複数のダウンストリームタスクにこれらのテクニックをどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-16T04:07:48Z)
• Lossless Compression of Efficient Private Local Randomizers [55.657133416044104]
  Locally Differentially Private (LDP) Reportsは、フェデレーション設定における統計と機械学習の収集に一般的に使用されます。 多くの場合、最もよく知られたldpアルゴリズムは、クライアントデバイスからサーバに強制的に大きなメッセージを送信する必要がある。 これにより、LDPアルゴリズムの通信コストの削減に大きく貢献しています。
  論文  参考訳（メタデータ） (2021-02-24T07:04:30Z)
• Sketching Transformed Matrices with Applications to Natural Language Processing [76.6222695417524]
  本稿では, 変換行列を用いて, 与えられた小さな行列の積を計算するための空間効率のよいスケッチアルゴリズムを提案する。 提案手法は誤差が小さく,空間と時間の両方で効率がよいことを示す。
  論文  参考訳（メタデータ） (2020-02-23T03:07:31Z)

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。