論文の概要: Volley Revolver: A Novel Matrix-Encoding Method for Privacy-Preserving Deep Learning (Inference++)
- arxiv url: http://arxiv.org/abs/2512.18646v1
- Date: Sun, 21 Dec 2025 08:40:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.436327
- Title: Volley Revolver: A Novel Matrix-Encoding Method for Privacy-Preserving Deep Learning (Inference++)
- Title（参考訳）: Volley Revolver: プライバシ保護ディープラーニング(推論++)のための新しいマトリックスエンコーディング方法
- Authors: John Chiang,
- Abstract要約: ホモモルフィック暗号化は、信頼できない環境でセキュアな機械学習を実現するための有望なアプローチとして登場した。
本稿では,1つの暗号化暗号文が1つの入力画像を完全に含まなければならないという要件を解消する,符号化・計算フレームワークの改良を提案する。
提案手法は,複数の暗号文にまたがる高解像度入力を分割するために,データレイアウトと準同型演算を再構成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy-preserving inference of convolutional neural networks (CNNs) using homomorphic encryption has emerged as a promising approach for enabling secure machine learning in untrusted environments. In our previous work, we introduced a matrix-encoding strategy that allows convolution and matrix multiplication to be efficiently evaluated over encrypted data, enabling practical CNN inference without revealing either the input data or the model parameters. The core idea behind this strategy is to construct a three-dimensional representation within ciphertexts that preserves the intrinsic spatial structure of both input image data and model weights, rather than flattening them into conventional two-dimensional encodings. However, this approach can operate efficiently $only$ when the number of available plaintext slots within a ciphertext is sufficient to accommodate an entire input image, which becomes a critical bottleneck when processing high-resolution images. In this paper, we address this fundamental limitation by proposing an improved encoding and computation framework that removes the requirement that a single encrypted ciphertext must fully contain one input image. Our method reformulates the data layout and homomorphic operations to partition high-resolution inputs across multiple ciphertexts while preserving the algebraic structure required for efficient convolution and matrix multiplication. As a result, our approach enables privacy-preserving CNN inference to scale naturally beyond the slot-capacity constraints of prior methods, making homomorphic evaluation of CNNs practical for higher-resolution and more complex datasets.
- Abstract（参考訳）: ホモモルフィック暗号化を用いた畳み込みニューラルネットワーク(CNN)のプライバシ保護推論は、信頼できない環境でセキュアな機械学習を実現するための有望なアプローチとして登場した。
前回の研究では、畳み込みと行列乗算を暗号化データ上で効率的に評価できる行列符号化方式を導入し、入力データとモデルパラメータの両方を明らかにすることなく、実用的なCNN推論を可能にした。
この戦略の背後にある中心的な考え方は、従来の2次元符号化にフラット化するのではなく、入力画像データとモデル重みの両方の内在的な空間構造を保存する暗号文内の3次元表現を構築することである。
しかし、暗号文内の平文スロットの数が入力画像全体に対応するのに十分であれば、効率よく$only$で操作できるため、高解像度画像処理において重要なボトルネックとなる。
本稿では,1つの暗号化暗号文が1つの入力画像を完全に含まなければならないという要件を解消する,符号化と計算のフレームワークの改善によって,この基本的な制限に対処する。
提案手法は,複数の暗号文にまたがる高分解能入力を分割し,効率的な畳み込みと行列乗算に必要な代数的構造を保ちながら,データレイアウトと準同型演算を再構成する。
その結果,従来の手法のスロット容量制約を超えて,プライバシ保存型CNN推論を自然にスケールすることが可能となり,より高解像度で複雑なデータセットに対して,CNNの同型評価を実現することができた。
関連論文リスト
- Efficient Decoding Methods for Language Models on Encrypted Data [32.58944595512403]
ホモモルフィック暗号化(HE)は、セキュアな推論のために暗号化されたデータの計算を可能にする。
ニューラルテキスト生成にはargmaxやサンプリングのような復号法が必要である。
我々は,従来の手法に比べて暗号操作を減らし,実用的なグリージー復号を可能にする,HEフレンドリーなargmaxアルゴリズムであるCutmaxを導入する。
論文 参考訳（メタデータ） (2025-09-10T08:23:14Z) - Compressive Meta-Learning [49.300635370079874]
圧縮学習(Compressive learning)は、ランダムで非線形な特徴を用いることで効率的な処理を可能にするフレームワークである。
圧縮学習手法の符号化段階と復号段階の両方をメタラーニングするフレームワークを提案する。
ニューラルネットワークベースの圧縮PCA、圧縮リッジ回帰、圧縮k平均、オートエンコーダなど、複数のアプリケーションについて検討する。
論文 参考訳（メタデータ） (2025-08-14T22:08:06Z) - CryptoUNets: Applying Convolutional Networks to Encrypted Data for Biomedical Image Segmentation [0.0]
プライバシー保護型U-Netディープラーニング推論フレームワーク,すなわち同型暗号化に基づくU-Net推論の実現可能性を示す。
我々の知る限り、この実装を実現するための最初の取り組みは、同型暗号化を完全にベースとしたU-Net推論を可能にすることである。
論文 参考訳（メタデータ） (2025-04-30T11:37:22Z) - Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。
これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。
本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
論文 参考訳（メタデータ） (2025-01-25T04:53:36Z) - Encrypted Dynamic Control exploiting Limited Number of Multiplications and a Method using RLWE-based Cryptosystem [0.3749861135832073]
本稿では,ほとんどの同型暗号方式で実装可能な動的コントローラを暗号化する手法を提案する。
結果として、暗号化されたコントローラは、暗号化されたデータごとに、限られた数の同型乗算しか必要としない。
本稿では,Ring Learning With Errors(RLWE)ベースの暗号システムにおいて,メッセージのベクトルを1つの暗号文に暗号化する手法のカスタマイズを提案する。
論文 参考訳（メタデータ） (2023-07-07T08:24:48Z) - 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) - A Pixel-based Encryption Method for Privacy-Preserving Deep Learning
Models [5.749044590090683]
本稿では,効率的な画素ベースの知覚暗号化手法を提案する。
この方法は、原画像の固有の特性を保ちながら、必要なレベルのセキュリティを提供する。
これにより、暗号化ドメイン内のディープラーニング(DL)アプリケーションを可能にする。
論文 参考訳（メタデータ） (2022-03-31T03:42:11Z) - Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。
本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。
我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-08-01T09:20:11Z) - MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。
形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文 参考訳（メタデータ） (2020-06-17T05:14:53Z) - Cryptotree: fast and accurate predictions on encrypted structured data [0.0]
ホモモルフィック暗号化(HE)は、入力と出力の両方が暗号化される暗号化データ上での計算を可能にする能力で認められている。
線形回帰と比較して非常に強力な学習手法であるランダムフォレスト(RF)の利用を可能にするフレームワークであるCryptotreeを提案する。
論文 参考訳（メタデータ） (2020-06-15T11:48:01Z) - Improve Variational Autoencoder for Text Generationwith Discrete Latent
Bottleneck [52.08901549360262]
変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。
VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。
よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-22T14:41:37Z)
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。