Fugu-MT 論文翻訳(概要): Meeting in the Middle: A Co-Design Paradigm for FHE and AI Inference

論文の概要: Meeting in the Middle: A Co-Design Paradigm for FHE and AI Inference

arxiv url: http://arxiv.org/abs/2603.20504v1
Date: Fri, 20 Mar 2026 21:16:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:38.938755
Title: Meeting in the Middle: A Co-Design Paradigm for FHE and AI Inference
Title（参考訳）: 中東でのミーティング:FHEとAI推論のための共同設計パラダイム
Authors: Bernardo Magri, Benjamin Marsh, Paul Gebheim,
Abstract要約: 我々は、推論回路の静的構造にFHEスキーム/コンパイラを専門とする共設計が必要であると主張している。中間アジェンダでのミーティングの概要と,両軸の具体的な最適化目標について述べる。
参考スコア（独自算出の注目度）: 1.1694010407600788
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern cloud inference creates a two sided privacy problem where users reveal sensitive inputs to providers, while providers must execute proprietary model weights inside potentially leaky execution environments. Fully homomorphic encryption (FHE) offers cryptographic guarantees but remains prohibitively expensive for modern architectures. We argue that progress requires co-design where specializing FHE schemes/compilers for the static structure of inference circuits, while simultaneously constraining inference architectures to reduce dominant homomorphic cost drivers. We outline a meet in the middle agenda and concrete optimization targets on both axes.
Abstract（参考訳）: 現代的なクラウド推論は、ユーザがプロバイダに機密性の高い入力を公開するという、二面的なプライバシの問題を生み出します。完全同型暗号(FHE)は、暗号の保証を提供するが、現代建築では違法に高価である。我々は、FHEスキーム/コンパイラを推論回路の静的構造に特化し、同時に推論アーキテクチャを制約し、支配的な同型コストドライバを削減できるような共同設計が必要であると主張している。中間アジェンダでのミーティングの概要と,両軸の具体的な最適化目標について述べる。

関連論文リスト

Informationally Compressive Anonymization: Non-Degrading Sensitive Input Protection for Privacy-Preserving Supervised Machine Learning [0.0]
本稿では,情報圧縮匿名化(ICA)とプライバシー保護機械学習フレームワークVEILアーキテクチャを紹介する。 ICAは、信頼されたソース環境内に教師付き多目的エンコーダを組み込んで、生の入力を低次元のタスク対応の潜在表現に変換する。 VEILアーキテクチャは厳格な信頼境界を強制し、スケーラブルなマルチリージョンデプロイメントをサポートし、自然にプライバシ・バイ・デザインの規制フレームワークと整合する。
論文参考訳（メタデータ） (2026-03-16T19:17:51Z)
Hardware Co-Design Scaling Laws via Roofline Modelling for On-Device LLMs [49.99513618431772]
本稿では,モデル精度と推論性能を捉えるハードウェア共同設計法を提案する。我々はNVIDIA Jetson Orin上で1,942の候補アーキテクチャを実証的に評価した。我々のアーキテクチャはWikiText-2で19.42%低いパープレキシティを実現している。
論文参考訳（メタデータ） (2026-02-10T23:51:00Z)
Rethinking Transferable Adversarial Attacks on Point Clouds from a Compact Subspace Perspective [55.919842734983156]
CoSAは、共有された低次元セマンティック空間内で機能する転送可能なアタックフレームワークである。 CoSAは、最先端のトランスファー可能な攻撃を一貫して上回っている。
論文参考訳（メタデータ） (2026-01-30T15:48:11Z)
CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。 CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
論文参考訳（メタデータ） (2026-01-02T03:39:50Z)
SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
論文参考訳（メタデータ） (2025-12-17T14:28:23Z)
Design and Optimization of Cloud Native Homomorphic Encryption Workflows for Privacy-Preserving ML Inference [0.0]
ホモモルフィック暗号化(HE)は、暗号化されたデータに対する暗号計算を可能にする魅力的な技術として登場した。大規模クラウドネイティブパイプラインにおけるHEの統合は、高い計算オーバーヘッド、オーケストレーションの複雑さ、モデル互換性の問題によって制限されている。本稿では、プライバシML推論をサポートするクラウドネイティブな同型暗号化の設計と最適化のための体系的なフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-28T15:13:32Z)
Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-28T10:00:39Z)
Encrypted Large Model Inference: The Equivariant Encryption Paradigm [18.547945807599543]
Equivariant Encryption(EE)は,暗号化されたデータに対して,性能上のオーバーヘッドがゼロに近いセキュアな"盲目"推論を可能にするように設計された,新しいパラダイムである。計算グラフ全体を暗号化する完全同型アプローチとは異なり、EEはニューラルネットワーク層内の重要な内部表現を選択的に難読化する。 EEは高い忠実性とスループットを維持しており、ロバストなデータの機密性と、現代的な大規模モデル推論の厳密な効率要件の間のギャップを効果的に埋めています。
論文参考訳（メタデータ） (2025-02-03T03:05:20Z)
Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores [18.91869691495181]
モジュールアーキテクチャであるLibertasを導入し、MPCとSolidのようなPSDを統合する。我々は、全知的な視点から、個人ベースの、ユーザ中心の信頼とセキュリティへのパラダイムシフトを紹介します。
論文参考訳（メタデータ） (2023-09-28T12:07:40Z)
LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-29T07:25:42Z)

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。