Fugu-MT 論文翻訳(概要): Efficient Privacy-Preserving Sparse Matrix-Vector Multiplication Using Homomorphic Encryption

論文の概要: Efficient Privacy-Preserving Sparse Matrix-Vector Multiplication Using Homomorphic Encryption

arxiv url: http://arxiv.org/abs/2603.04742v1
Date: Thu, 05 Mar 2026 02:29:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-06 22:06:11.03954
Title: Efficient Privacy-Preserving Sparse Matrix-Vector Multiplication Using Homomorphic Encryption
Title（参考訳）: 均一暗号を用いた効率的なプライバシ保存型スパース行列ベクトル乗算法
Authors: Yang Gao, Gang Quan, Wujie Wen, Scott Piersall, Qian Lou, Liqiang Wang,
Abstract要約: ホモモルフィック暗号化(HE)がこの課題に対処するための主要なアプローチとして登場した。本稿では, HEとスパース行列乗算(SpMV)を効率的に統合する最初のフレームワークを提案する。特に,新しい圧縮行列形式であるCompressed Sparse Sorted Column (CSSC)を導入する。
参考スコア（独自算出の注目度）: 22.506475163181253
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sparse matrix-vector multiplication (SpMV) is a fundamental operation in scientific computing, data analysis, and machine learning. When the data being processed are sensitive, preserving privacy becomes critical, and homomorphic encryption (HE) has emerged as a leading approach for addressing this challenge. Although HE enables privacy-preserving computation, its application to SpMV has remained largely unaddressed. To the best of our knowledge, this paper presents the first framework that efficiently integrates HE with SpMV, addressing the dual challenges of computational efficiency and data privacy. In particular, we introduce a novel compressed matrix format, named Compressed Sparse Sorted Column (CSSC), which is specifically designed to optimize encrypted sparse matrix computations. By preserving sparsity and enabling efficient ciphertext packing, CSSC significantly reduces storage and computational overhead. Our experimental results on real-world datasets demonstrate that the proposed method achieves significant gains in both processing time and memory usage. This study advances privacy-preserving SpMV and lays the groundwork for secure applications in federated learning, encrypted databases, scientific computing, and beyond.
Abstract（参考訳）: スパース行列ベクトル乗法(SpMV)は、科学計算、データ解析、機械学習における基本的な演算である。処理中のデータが機密である場合には、プライバシの保護が重要になり、この課題に対処するための主要なアプローチとして、同型暗号化(HE)が登場している。 HEは、プライバシを保存する計算を可能にするが、SpMVへのその応用は、ほとんど未適応のままである。本稿では,計算効率とデータプライバシという2つの課題に対処するため,HEとSpMVを効率的に統合する最初のフレームワークを提案する。特に,新しい圧縮行列形式であるCompressed Sparse Sorted Column (CSSC)を導入する。スパーシ性を保持し、効率的な暗号文パッキングを可能にすることによって、CSSCはストレージと計算オーバーヘッドを大幅に削減する。実世界のデータセットに対する実験結果から,提案手法は処理時間とメモリ使用量の両方において有意な向上を示した。本研究は,プライバシ保護型SpMVの進歩と,フェデレーション学習,暗号化データベース,科学計算などにおけるセキュアなアプリケーション構築の基礎となる。

関連論文リスト

Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption [1.9441770222258299]
ホモモルフィック暗号化(英語版) (FHE) はレコメンデーションシステムを確保することができる。 FHE演算は計算集約的であり、レコメンデーションシステムで様々なスパース行列を鼻で処理することは違法に高価である。圧縮スパースロウ表現とFHEに基づく行列分解を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2025-09-03T05:15:45Z)
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)
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)
CIPHERMATCH: Accelerating Homomorphic Encryption-Based String Matching via Memory-Efficient Data Packing and In-Flash Processing [8.114331115730021]
ホモモルフィック暗号化(HE)は、元のデータを公開せずに暗号化されたデータのセキュアな計算を可能にする。多くのクラウドコンピューティングアプリケーション(例えば、DNA読み取りマッピング、バイオメトリックマッチング、Web検索)は、正確な文字列マッチングをキー操作として使っている。ホモモルフィック暗号を用いた従来の文字列マッチングアルゴリズムは、高い計算遅延によって制限される。
論文参考訳（メタデータ） (2025-03-12T00:25:58Z)
High-Performance Privacy-Preserving Matrix Completion for Trajectory Recovery [0.897780713904412]
本稿では,プライバシ保護行列補完のための高性能な手法を提案する。数値実験の結果,提案手法は他のアルゴリズムよりも高速であることがわかった。
論文参考訳（メタデータ） (2024-05-09T14:12:41Z)
Secure and Efficient General Matrix Multiplication On Cloud Using Homomorphic Encryption [21.253885519048016]
ホモモルフィック暗号化(HE)は、機密性の高いアプリケーションのプライバシーとセキュリティを確保する効果的なツールとして登場した。 HEベースの計算を採用する上での大きな障害のひとつは、計算コストの過大さである。
論文参考訳（メタデータ） (2024-05-03T16:50:02Z)
Enc2DB: A Hybrid and Adaptive Encrypted Query Processing Framework [47.11111145443189]
本稿では,新しいセキュアデータベースシステムであるEnc2DBを紹介する。本稿では,マイクロベンチマークテストと自己適応型モードスイッチ戦略を提案し,与えられたクエリに応答する最適な実行パス(暗号やTEE)を選択する。また、クエリ処理を高速化するために、ネイティブコストモデルやクエリと互換性のある暗号文インデックスを設計、実装する。
論文参考訳（メタデータ） (2024-04-10T08:11:12Z)
SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。 SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
論文参考訳（メタデータ） (2023-09-27T05:19:32Z)
Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文参考訳（メタデータ） (2021-10-20T02:48:27Z)
Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文参考訳（メタデータ） (2020-06-17T18:14:30Z)
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。