論文の概要: Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms

• arxiv url: http://arxiv.org/abs/2605.27782v1
• Date: Wed, 27 May 2026 00:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.613757
• Title: Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms
• Title（参考訳）: 完全同型暗号化による機械学習トレーニングの見直し:収束保証、微分プライバシー、効率的なアルゴリズム
• Authors: Yvonne Zhou, Mingyu Liang, Ivan Brugere, Danial Dervovic, Yue Guo, Antigoni Polychroniadou, Min Wu, Dana Dachman-Soled,
• Abstract要約: 完全同相暗号(FHE)に基づく機械学習学習における最初の理論的収束解析について述べる。 FHEの整合性に要求される活性化関数と損失関数の近似を用いて、近似勾配勾配の収束を示す。 また、データ非依存の選択を理論的に基礎とした拡張性近似戦略も提供し、これは独立した関心を持つことができる。
• 参考スコア（独自算出の注目度）: 20.704763006949197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first theoretical convergence analysis of machine learning training under fully homomorphic encryption (FHE), combined with a differentially private (DP) training algorithm tailored to encrypted computation. Our approach improves computational efficiency over standard differentially private gradient descent (DP-GD) while achieving comparable utility. In particular, we prove convergence of approximate gradient descent using polynomial approximations of activation and loss functions, which are required for FHE compatibility. To preserve privacy in downstream tasks, we integrate differential privacy without relying on costly per-sample gradient clipping, enabling scalable encrypted learning. We also provide data-independent hyperparameter selection and theoretically grounded strategies for polynomial approximation which can be of independent interest. Together, these contributions advance the feasibility of efficient, private, and secure machine learning on sensitive data.
• Abstract（参考訳）: 完全同相暗号(FHE)の下での機械学習学習における最初の理論的収束解析と、暗号化計算に適した差分プライベート(DP)学習アルゴリズムを組み合わせる。 提案手法は,DP-GDよりも計算効率が向上し,計算効率も向上する。 特に、FHEの整合性に要求される活性化関数と損失関数の多項式近似を用いて、近似勾配勾配の収束を証明した。 下流タスクにおけるプライバシを保護するため、コストのかかる勾配クリッピングに頼ることなく、差分プライバシを統合することで、スケーラブルな暗号化学習を可能にします。 また、データ非依存型ハイパーパラメータ選択や、独立性を持つ多項式近似の理論的基盤戦略も提供する。 これらの貢献によって、機密データによる効率的でプライベートでセキュアな機械学習の実現が促進される。

関連論文リスト

• Kernel-Based ReLU Approximation for Homomorphic Encryption-Compatible Privacy-preserving Deep Learning Models [1.392661575766483]
  ホモモルフィック暗号化(HE)は、操作中に復号化することなく、暗号化データ上で計算を実行する方法を提供する。 HEは加法と乗法に限られており、非線型関数は元の形式と互換性がない。 本稿では,カーネルによるReLUの近似を提案し,HE制約設定内での利用を可能にする。
  論文  参考訳（メタデータ） (2026-05-22T13:54:37Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Privacy-aware Berrut Approximated Coded Computing for Federated Learning [1.2084539012992408]
  フェデレートラーニングスキームにおけるプライバシを保証するためのソリューションを提案する。 本提案は,Secret Sharing設定に適応したBerrut Approximated Coded Computingに基づく。
  論文  参考訳（メタデータ） (2024-05-02T20:03:13Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• When approximate design for fast homomorphic computation provides differential privacy guarantees [0.08399688944263842]
  差分プライバシー(DP)と暗号プリミティブは、プライバシー攻撃に対する一般的な対策である。 本稿では,argmax演算子に対する確率近似アルゴリズム ShiELD を設計する。 たとえShielDが他のアプリケーションを持つことができたとしても、私たちは1つの設定に集中し、SPEEDコラボレーティブトレーニングフレームワークにシームレスに統合します。
  論文  参考訳（メタデータ） (2023-04-06T09:38:01Z)
• Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
  現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。 本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
  論文  参考訳（メタデータ） (2022-09-09T08:54:13Z)
• Privacy Analysis of Online Learning Algorithms via Contraction Coefficients [5.333582981327498]
  差分プライバシー保証は、$f$-divergencesの強いデータ処理の不等式から導かれる収縮係数の直接適用によって決定できることを示す。 また、このフレームワークは、トレーニングデータセットをワンパスで実装できるバッチ学習アルゴリズムに調整可能であることも示しています。
  論文  参考訳（メタデータ） (2020-12-20T22:02:15Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)
• User-Level Privacy-Preserving Federated Learning: Analysis and Performance Optimization [77.43075255745389]
  フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。 情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。 サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-29T10:13:39Z)

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。