論文の概要: A Pragmatic Comparison of Cryptographic Computation Technologies for Machine Learning
- arxiv url: http://arxiv.org/abs/2605.04858v1
- Date: Wed, 06 May 2026 12:54:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.821425
- Title: A Pragmatic Comparison of Cryptographic Computation Technologies for Machine Learning
- Title（参考訳）: 機械学習における暗号計算技術の実用的比較
- Abstract要約: 我々は、セキュアなマルチパーティ計算(SMPC)と完全同型暗号(FHE)のセキュアな計算パラダイムを比較した。
FHEにおける技術の現状について、回帰においてSMPCよりも優れていることが観察された。
我々の結果は、機械学習のためのセキュアな計算技術の、より技術に依存しないベンチマークを行うための道を開くべきである。
- 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: As security demands increase, the importance of secure computation technologies grows, yet these technologies can often seem overwhelming to practitioners. Furthermore, many approaches focus only on a single technology, potentially overlooking superior alternatives. This work aims to address the issue of selecting the right technology for secure computation by presenting a comparative analysis of two highly relevant cryptographic methods and their software implementations, with a particular focus on machine learning. Firstly, we provide a theoretical summary and comparison of the secure computation paradigms of secure multi-party computation (SMPC) and fully homomorphic encryption (FHE). We outline the advantages and limitations of the protocols, as well as the relevant open-source software implementations. Secondly, we present the results of extensive benchmarking of the main software frameworks identified for machine learning operations and models. Regarding the current state of the art in FHE, we observe that it outperforms SMPC for regressions. Additionally it may be faster for simple dense networks using GPUs or Hybrid Models. Conversely, SMPC showed superior performance for complex models such as CNNs. Our results should pave the way for more technology-agnostic benchmarking of secure computation technologies for machine learning, providing guidance for practitioners looking to adopt these technologies.
- Abstract（参考訳）: セキュリティの要求が高まるにつれて、セキュアな計算技術の重要性が増すが、これらの技術は実践者にとって圧倒的に多いように思われる。
さらに、多くのアプローチは単一の技術にのみ焦点を合わせており、優れた代替品を見落としている可能性がある。
本研究の目的は、2つの高関連な暗号手法とそれらのソフトウェア実装の比較分析を提示し、特に機械学習に焦点を当てることで、セキュアな計算のための適切な技術を選択する問題に対処することである。
まず、セキュアなマルチパーティ計算(SMPC)と完全同型暗号(FHE)のセキュアな計算パラダイムの理論的概要と比較について述べる。
プロトコルの利点と制限、および関連するオープンソースソフトウェア実装について概説する。
次に、機械学習の操作とモデルのために特定された主要なソフトウェアフレームワークの広範なベンチマーク結果を示す。
FHEにおける最先端技術について、回帰においてSMPCよりも優れていることが観察された。
さらに、GPUやハイブリッドモデルを使った単純な高密度ネットワークではより高速になる可能性がある。
逆にSMPCはCNNのような複雑なモデルでは優れた性能を示した。
我々の結果は、機械学習のためのセキュアな計算技術の、より技術に依存しないベンチマークの道を開くことであり、これらの技術を採用しようとしている実践者のためのガイダンスを提供する。
関連論文リスト
- A Generalized Optimization Engine (GOE) for Edge AI Inference Acceleration [1.2419540081875826]
本稿では,AIモデル最適化手法,アルゴリズム,抽象化の理論的基盤について考察する。
本稿では,これらの手法を効率向上のために統合した包括的ハードウェア(HW)とモデルに依存しない一般化最適化アーキテクチャを提案する。
具体的な実演として、GOE圧縮言語モデルがGPUレスエッジCPU上でデプロイおよび実行されることを示し、圧縮方法の選択は、単なる名目上のビット幅ではなく、タスク精度がデプロイを継続するかどうかを判断する。
論文 参考訳（メタデータ） (2026-08-19T23:30:16Z) - Deep Learning-based Techniques for Integrated Sensing and Communication Systems: State-of-the-Art, Challenges, and Opportunities [54.12860202362483]
本稿では,統合型センシング・通信(ISAC)システムにおける深層学習(DL-based)技術の最近の発展と研究を概観的にレビューする。
ISACは、車載ネットワークや産業用ロボティクスなど、多くの新興アプリケーションにおいて、センサーと通信機能の両方を必要とするため、6Gおよびネットワーク以上の重要なイネーブラーと見なされている。
従来の手法の代替として、DLベースの手法は計算複雑性を減らした効率的でほぼ最適のソリューションを提供する。
論文 参考訳（メタデータ） (2025-08-23T22:27:51Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Integrating Deep Learning in Domain Sciences at Exascale [2.241545093375334]
我々は,大規模HPCシステム上でディープラーニングモデルとアプリケーションを効率的に動作させるための既存パッケージの評価を行った。
本稿では,現在の大規模異種システムに対する新しい非同期並列化と最適化手法を提案する。
従来の計算集約型アプリケーションとデータ集約型アプリケーションをAIで拡張するための図表と潜在的なソリューションを提案する。
論文 参考訳（メタデータ） (2020-11-23T03:09:58Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
本稿では,機械学習技術の現状について概説する。
私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。
我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
論文 参考訳（メタデータ） (2020-01-07T14:17:09Z)
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。