論文の概要: Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2604.23245v1
• Date: Sat, 25 Apr 2026 10:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.223952
• Title: Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
• Title（参考訳）: 暗号化データに基づく機械学習モデルのトレーニング: 同型暗号化を用いたプライバシ保護フレームワーク
• Authors: Alexandre Marques, Beatriz Sá, Rui Botelho, Pedro Pinto,
• Abstract要約: 同型暗号化は、復号化せずに暗号化されたデータの計算を可能にし、機械学習パイプライン全体の機密性を保存する。 本稿では、精度と効率を保ちながら、暗号化データ上でMLモデルをトレーニングするという課題に対処する。 K-Nearest Neighbors(KNN)と線形回帰モデルを暗号化データ上でトレーニングし、基本的マルチレイヤパーセプトロン(MLP)アーキテクチャの暗号化推論を評価する。
• 参考スコア（独自算出の注目度）: 40.16348991707144
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The use of Machine Learning (ML) for data-driven decision-making often relies on access to sensitive datasets, which introduces privacy challenges. Traditional encryption methods protect data at rest or in transit but fail to secure it during processing, exposing it to unauthorized access. Homomorphic encryption emerges as a transformative solution, enabling computations on encrypted data without decryption, thus preserving confidentiality throughout the ML pipeline. This paper addresses the challenge of training ML models on encrypted data while maintaining accuracy and efficiency by proposing a proof-of-concept for a privacy-preserving framework that leverages Cheon-Kim-Kim-Song (CKKS) for approximate real-number arithmetic. Also, it demonstrates the feasibility of training K-Nearest Neighbors (KNN) and linear regression models on encrypted data, and evaluates encrypted inference for a basic Multilayer Perceptron (MLP) architecture. Experimental results show that models trained under Homomorphic encryption achieve performance metrics comparable to plaintext-trained models, validating the approach. However, challenges such as computational overhead, noise management, and limited support for non-polynomial operations persist. This work lays the groundwork for broader adoption of privacy-preserving ML in real-world applications, balancing security with computational feasibility.
• Abstract（参考訳）: データ駆動意思決定における機械学習(ML)の使用は、プライバシの問題を引き起こすセンシティブなデータセットへのアクセスに依存することが多い。 従来の暗号化手法は、静止時や移動中のデータを保護するが、処理中に保護できないため、許可されていないアクセスに公開する。 ホモモルフィック暗号化はトランスフォーメーションソリューションとして登場し、復号化せずに暗号化データの計算を可能にし、MLパイプライン全体の機密性を維持する。 本稿では,Cheon-Kim-Kim-Song(CKKS)を利用して実数演算を近似的に行うプライバシー保護フレームワークのコンセプト実証を提案する。 また、K-Nearest Neighbors(KNN)と線形回帰モデルを暗号化データ上でトレーニングし、基本多層パーセプトロン(MLP)アーキテクチャの暗号化推論を評価する。 実験結果から,同型暗号の下で学習したモデルは,平文学習モデルに匹敵する性能指標を達成し,そのアプローチを検証した。 しかし、計算オーバーヘッド、ノイズ管理、非ポリノミカル操作に対する限定的なサポートといった課題は継続する。 この研究は、現実のアプリケーションにプライバシ保護MLが広く採用され、セキュリティと計算可能性のバランスをとるための基礎となる。

関連論文リスト

• Continual Pretraining on Encrypted Synthetic Data for Privacy-Preserving LLMs [16.21971760443489]
  個人識別可能な情報を保護するために、暗号化されたトレーニングデータを合成するエンティティベースのフレームワーク(PII)を提案する。 提案手法は,データ合成をガイドする重み付きエンティティグラフを構築し,PIIエンティティに決定論的暗号化を適用する。 限られたスケールのデータセットに対する我々の結果は、事前訓練されたモデルがベースモデルより優れており、PIIセキュリティが保証されていることを示している。
  論文  参考訳（メタデータ） (2026-01-09T08:44:07Z)
• PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation [0.8197459420866039]
  ホモモーフィック暗号化(HE)は、暗号化されたデータの計算を可能にするソリューションを提供する。 HEは、非線形アクティベーション機能に依存しているため、畳み込みニューラルネットワーク(CNN)のような機械学習モデルとは相容れないままである。 この研究は、標準非線形関数を準同型互換近似に置き換える最適化されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T03:57:12Z)
• Secure numerical simulations using fully homomorphic encryption [0.8739101659113153]
  本研究では、FHEに基づく偏微分方程式のプライバシー保護数値シミュレーションの実現可能性について検討する。 2つのJuliaパッケージ、OpenFHE$.$jlとSecureArithmetic$.$jlが導入され、OpenFHE C++ライブラリをラップする。 その結果、暗号学的に安全な数値シミュレーションが可能であることが示されているが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  論文  参考訳（メタデータ） (2024-10-29T07:47:10Z)
• PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
  プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。 次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
  論文  参考訳（メタデータ） (2023-03-31T18:03:53Z)
• 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)
• Reinforcement Learning on Encrypted Data [58.39270571778521]
  本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。 その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
  論文  参考訳（メタデータ） (2021-09-16T21:59:37Z)
• 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)
• 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。