論文の概要: PrivGNN: High-Performance Secure Inference for Cryptographic Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2511.02185v1
• Date: Tue, 04 Nov 2025 01:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.774168
• Title: PrivGNN: High-Performance Secure Inference for Cryptographic Graph Neural Networks
• Title（参考訳）: PrivGNN: 暗号グラフニューラルネットワークのための高性能セキュア推論
• Authors: Fuyi Wang, Zekai Chen, Mingyuan Fan, Jianying Zhou, Lei Pan, Leo Yu Zhang,
• Abstract要約: $sysname$は、クラウドにおけるグラフ中心推論のための軽量な暗号スキームである。 $sysname$は、新しい2PCインタラクティブプロトコルのシリーズに基づいて慎重に設計されている。 4つのデータセットに対する実験では、$sysname$の優れた効率と$1.3times sim 4.7times$高速なセキュアな予測が示されている。
• 参考スコア（独自算出の注目度）: 26.99268618245047
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph neural networks (GNNs) are powerful tools for analyzing and learning from graph-structured (GS) data, facilitating a wide range of services. Deploying such services in privacy-critical cloud environments necessitates the development of secure inference (SI) protocols that safeguard sensitive GS data. However, existing SI solutions largely focus on convolutional models for image and text data, leaving the challenge of securing GNNs and GS data relatively underexplored. In this work, we design, implement, and evaluate $\sysname$, a lightweight cryptographic scheme for graph-centric inference in the cloud. By hybridizing additive and function secret sharings within secure two-party computation (2PC), $\sysname$ is carefully designed based on a series of novel 2PC interactive protocols that achieve $1.5\times \sim 1.7\times$ speedups for linear layers and $2\times \sim 15\times$ for non-linear layers over state-of-the-art (SotA) solutions. A thorough theoretical analysis is provided to prove $\sysname$'s correctness, security, and lightweight nature. Extensive experiments across four datasets demonstrate $\sysname$'s superior efficiency with $1.3\times \sim 4.7\times$ faster secure predictions while maintaining accuracy comparable to plaintext graph property inference.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化(GS)データから分析および学習するための強力なツールであり、幅広いサービスを容易にする。 このようなサービスをプライバシクリティカルなクラウド環境にデプロイするには、機密データを保護するセキュア推論(SI)プロトコルの開発が必要である。 しかし、既存のSIソリューションは主に画像とテキストデータの畳み込みモデルに重点を置いており、GNNやGSのデータを保護するという課題は比較的過小評価されている。 本研究では,クラウドにおけるグラフ中心推論のための軽量暗号スキームである$\sysname$の設計,実装,評価を行う。 2PC(Secure Two-party Computing)内での加算と関数の秘密の共有をハイブリダイズすることで、$\sysname$は1.5\times \sim 1.7\times$の線形層に対するスピードアップと$2\times \sim 15\times$の非線形層に対するステート・オブ・ザ・アート(SotA)ソリューションに対する非線形層に対するスピードアップを達成できる新しい2PCインタラクティブプロトコルのシリーズに基づいて慎重に設計される。 詳細な理論的分析は、$\sysname$の正しさ、セキュリティ、軽量性を証明するために提供される。 4つのデータセットにわたる大規模な実験では、$\sysname$は1.3\times \sim 4.7\times$より高速なセキュアな予測を行い、平文グラフプロパティの推測に匹敵する精度を維持している。

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)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Focus Where It Matters: Graph Selective State Focused Attention Networks [5.220940151628735]
  本稿では,グラフ構造化データに対するGSAN(Graph Selective States Focused Attention Networks)に基づくニューラルネットワークアーキテクチャを提案する。 GSANは、MHMSA(Multi-head masked self-attention)層と選択状態空間モデリング(S3M)層によって実現されている。 S3M層は、目に見えない構造の一般化を促進し、ノード状態がリンクの重要性にどのように影響するかを解釈する。
  論文  参考訳（メタデータ） (2024-10-21T10:25:52Z)
• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
  グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。 データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:35Z)
• Heterogeneous Randomized Response for Differential Privacy in Graph Neural Networks [18.4005860362025]
  グラフニューラルネットワーク(GNN)は、プライバシ推論攻撃(PIA)の影響を受けやすい 差分プライバシ(DP)保証の下で,ノードの特徴やエッジをPIAに対して保護する機構を提案する。 ノードの特徴とエッジの両レベルで、より優れたランダム化確率とより厳密なエラー境界を導出する。
  論文  参考訳（メタデータ） (2022-11-10T18:52:46Z)
• Task and Model Agnostic Adversarial Attack on Graph Neural Networks [8.075575946756759]
  グラフニューラルネットワーク(GNN)は、様々な予測タスクにおける印象的なパフォーマンスのため、業界内で大きな採用が見られた。 本研究では、GNNのこの側面を調査し、脆弱性を特定し、よりセキュアで堅牢なGNNの開発につながる可能性のあるグラフプロパティにリンクする。
  論文  参考訳（メタデータ） (2021-12-25T18:39:21Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• 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。