Fugu-MT 論文翻訳(概要): Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption

論文の概要: Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption

arxiv url: http://arxiv.org/abs/2606.05129v1
Date: Wed, 03 Jun 2026 17:33:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 20:44:18.931772
Title: Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption
Title（参考訳）: 完全同型暗号化による因果構造学習におけるデータのプライバシ保護
Authors: Jian Yang, Yuan Tong, Qinbin Li, Zeyi Wen, Xiaofang Zhou,
Abstract要約: 本稿では,完全同型暗号(FHE)に基づく暗号文の計算手法を提案する。提案手法は,テストしたデータセットのバージョンと高い一貫性と同等な因果構造を実現する。
参考スコア（独自算出の注目度）: 30.9155633862197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Preserving data privacy is an important topic in structural data management and data mining. However, the issue of privacy leakage in distributed causal structure learning is a persistent challenge, especially in cases where data transmission and computation are required. In this paper, we propose a method based on fully homomorphic encryption (FHE) that performs calculations on ciphertexts, keeping data encrypted in transition and computation. Nevertheless, adopting FHE to causal structure learning is challenging due to the high computation cost and limited support on division as well as logarithm operations in FHE. To tackle this challenge, we propose a series of novel techniques including (i) circuit simplification for better efficiency, (ii) approximation of division and logarithm through Newton-Raphson Reciprocal and Taylor expansion, and (iii) a batching technique with SIMD-acceleration to enhance the whole learning process. Additionally, our method can be easily extended beyond FHE by demonstration of its portability to support differential privacy. Empirical results show that our method achieves high consistency and comparable causal structure with the plaintext version in the datasets tested. Last, our method is efficient and practical to complete learning causal structures in tens of minutes even under the privacy protection of FHE.
Abstract（参考訳）: データプライバシを保存することは、構造データ管理とデータマイニングにおいて重要なトピックである。しかし、分散因果構造学習におけるプライバシリークの問題は、特にデータ転送や計算が必要な場合において、永続的な課題である。本稿では, 完全同型暗号(FHE)に基づく暗号文の計算を行い, トランジションと計算でデータを暗号化する手法を提案する。しかし, 因果構造学習へのFHEの適用は, 計算コストが高く, 分割やFHEの対数演算に制限があるため, 困難である。この課題に対処するために,我々は一連の新しい手法を提案する。 (i)回路の単純化により効率が向上する。 (ii)Newton-Raphson ReciprocalおよびTaylor展開による分割対数近似、および三 SIMDアクセラレーションによるバッチ化手法により、学習過程全体を効率化する。さらに,本手法は,差分プライバシーをサポートするポータビリティの実証により,FHEを超えて容易に拡張できる。実験結果から,本手法は,テストしたデータセットのプレーンテキストバージョンと高い一貫性と同等な因果構造を実現することを示す。最後に,本手法はFHEのプライバシー保護下であっても,数分間で因果構造を学習するために効率的かつ実用的なものである。

関連論文リスト

Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms [20.704763006949197]
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。
論文参考訳（メタデータ） (2026-05-27T00:09:01Z)
Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption [40.16348991707144]
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。
論文参考訳（メタデータ） (2026-04-25T10:50:41Z)
Efficient Privacy-Preserving Sparse Matrix-Vector Multiplication Using Homomorphic Encryption [22.506475163181253]
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。
論文参考訳（メタデータ） (2026-03-05T02:29:50Z)
Subgraph Federated Learning via Spectral Methods [52.40322201034717]
FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
論文参考訳（メタデータ） (2025-10-29T16:22:32Z)
Traveling Salesman-Based Token Ordering Improves Stability in Homomorphically Encrypted Language Models [16.73757071734074]
ホモモルフィック暗号化(HE)は、暗号化されたデータ上で直接計算を行うことによって、原則化されたソリューションを提供する。テキスト生成の課題、特に次世代の予測は、あまり注目されていない。暗号化されたテキスト生成の難しさに対処するTSPベースのトークン再注文戦略を提案する。
論文参考訳（メタデータ） (2025-10-14T09:56:50Z)
Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
論文参考訳（メタデータ） (2025-10-02T15:15:50Z)
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)
Efficient Implementation of Reinforcement Learning over Homomorphic Encryption [0.7673339435080445]
制御ポリシ合成をモデルベース,シミュレータ駆動,データ駆動のアプローチに分類する。プライバシー強化のための完全同型暗号(FHE)の実装について検討する。私たちの研究は、セキュアで効率的なクラウドベースの強化学習の可能性を示している。
論文参考訳（メタデータ） (2025-04-12T20:34:26Z)
On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
論文参考訳（メタデータ） (2023-02-11T14:45:31Z)
Learning Implicitly with Noisy Data in Linear Arithmetic [94.66549436482306]
PAC-セマンティックスにおける暗黙学習を拡張し、線形算術の言語における間隔としきい値の不確実性を扱う。最適線形プログラミング対象制約の学習に対する我々の暗黙的アプローチは、実際的な明示的アプローチよりも著しく優れていることを示す。
論文参考訳（メタデータ） (2020-10-23T19:08:46Z)
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)

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。