論文の概要: A Critical Look into Threshold Homomorphic Encryption for Private Average Aggregation

• arxiv url: http://arxiv.org/abs/2602.22037v1
• Date: Wed, 25 Feb 2026 15:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.88891
• Title: A Critical Look into Threshold Homomorphic Encryption for Private Average Aggregation
• Title（参考訳）: プライベートアグリゲーションのためのThreshold同型暗号化の批判的考察
• Authors: Miguel Morona-Mínguez, Alberto Pedrouzo-Ulloa, Fernando Pérez-González,
• Abstract要約: Threshold Homomorphic Encryption (Threshold HE)は、プライベートフェデレーションの平均アグリゲーションを実装するのに適している。 最近の研究では、敵が制限された復号オラクルにアクセスできれば、しきい値スキームが予期せぬセキュリティ脆弱性を引き起こす可能性があることが示されている。
• 参考スコア（独自算出の注目度）: 45.381652768314375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Threshold Homomorphic Encryption (Threshold HE) is a good fit for implementing private federated average aggregation, a key operation in Federated Learning (FL). Despite its potential, recent studies have shown that threshold schemes available in mainstream HE libraries can introduce unexpected security vulnerabilities if an adversary has access to a restricted decryption oracle. This oracle reflects the FL clients' capacity to collaboratively decrypt the aggregated result without knowing the secret key. This work surveys the use of threshold RLWE-based HE for federated average aggregation and examines the performance impact of using smudging noise with a large variance as a countermeasure. We provide a detailed comparison of threshold variants of BFV and CKKS, finding that CKKS-based aggregations perform comparably to BFV-based solutions.
• Abstract（参考訳）: Threshold Homomorphic Encryption (Threshold HE)は、Federated Learning (FL)における重要な操作である、プライベートなフェデレーション平均アグリゲーションを実装するのに適している。 その可能性にもかかわらず、最近の研究では、メインストリームのHEライブラリで利用可能なしきい値スキームが、敵が制限された復号オラクルにアクセスできれば、予期せぬセキュリティ脆弱性をもたらす可能性があることが示されている。 このオラクルは、秘密鍵を知らずに集約された結果を共同で復号するFLクライアントの能力を反映している。 本研究は, フェデレーション平均集計におけるしきい値RLWEに基づくHEの使用について検討し, 対策として大きなばらつきを有するスマッジノイズを用いた場合の性能影響について検討する。 我々は, BFV と CKKS のしきい値の詳細な比較を行い, CKKS をベースとしたアグリゲーションが BFV ベースのソリューションと相容れないことを発見した。

関連論文リスト

• Post-Quantum Secure Aggregation via Code-Based Homomorphic Encryption [19.264286608481296]
  キーおよびメッセージ付加型同型暗号に基づくセキュアアグリゲーションのためのコードベースの代替手段を提案する。 我々の建設には秘密の共有によって実現された委員会ベースの復号機が使われている。 提案手法は,情報理論的にセキュアなアグリゲーションプロトコルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-01-19T13:14:01Z)
• FRAG: Toward Federated Vector Database Management for Collaborative and Secure Retrieval-Augmented Generation [1.3824176915623292]
  本稿では,検索集約システム (RAG) のニーズの増大に対応する新しいデータベース管理パラダイムである textitFederated Retrieval-Augmented Generation (FRAG) を紹介する。 FRAGは、ANN(Approximate $k$-Nearest Neighbor)による、暗号化されたクエリベクタと分散ベクトルデータベースに格納された暗号化データ検索を相互に行うことができる。
  論文  参考訳（メタデータ） (2024-10-17T06:57:29Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Differentially Private Clustered Federated Learning [4.768272342753616]
  フェデレートラーニング(FL)は、厳格なデータプライバシ保証を提供するために、しばしば差分プライバシ(DP)を取り入れる。 以前の研究は、クラスタリングクライアント(クラスタ化FL)を介してバニラFL設定における高構造データ不均一性に対処しようとした。 システム内のDPノイズに対して頑健で,基盤となるクライアントのクラスタを正しく識別する,差分プライベートクラスタリングFLのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:03:31Z)
• RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
  本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
  論文  参考訳（メタデータ） (2024-01-28T11:51:09Z)
• AHSecAgg and TSKG: Lightweight Secure Aggregation for Federated Learning Without Compromise [7.908496863030483]
  AHSecAggは、加法的ホモモルフィックマスクを用いた軽量なセキュアアグリゲーションプロトコルである。 TSKGはThreshold Signatureベースのマスキング鍵生成方式である。
  論文  参考訳（メタデータ） (2023-12-08T10:06:17Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)

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。