論文の概要: HE-DAP: Homomorphic Encryption-based Dynamic Adaptive Parameter Optimization for Statistical Computation

• arxiv url: http://arxiv.org/abs/2606.10477v1
• Date: Tue, 09 Jun 2026 06:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:37.995481
• Title: HE-DAP: Homomorphic Encryption-based Dynamic Adaptive Parameter Optimization for Statistical Computation
• Title（参考訳）: HE-DAP: 統計的計算のための同型暗号化に基づく動的適応パラメータ最適化
• Authors: Yun-Soo Park, Hyunmin Choi, Hyoungshick Kim, Mun-Kyu Lee,
• Abstract要約: ホモモルフィック暗号化(HE)は、プライバシー保護分析を可能にするが、高い計算オーバーヘッドを妨げている。 多くの統計的および機械学習ワークロードにおいて、逆正方根は重要なプリミティブであることがわかった。 不均一な実行環境に自動的に適応することにより、HE-DAPはプライバシー保護統計分析を大規模に実践する。
• 参考スコア（独自算出の注目度）: 12.830608192610482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Homomorphic encryption (HE) enables privacy-preserving analytics but remains hindered by high computational overhead. We find that the inverse square root-a key primitive in many statistical and machine learning workloads-exhibits inconsistent and often suboptimal performance across HE libraries and hardware. This stems from a core trade-off between two costly HE operations: evaluating high-degree Chebyshev polynomials to speed up Newton's method versus performing bootstrapping to manage ciphertext noise. Because their relative costs vary by up to 6x across environments, any fixed configuration proves inherently inefficient. To address this challenge, we present HE-DAP, a cross-platform optimization framework that automatically navigates this trade-off. By profiling an environment's unique performance characteristics, HE-DAP finds the optimal balance between polynomial degree and iteration count to accelerate the encrypted inverse square root computation for a given accuracy target. Our evaluation on Lattigo, HEaaN-CPU, and HEaaN-GPU shows that HE-DAP's adaptive approach yields significant performance gains. It accelerates the core inverse square root computation by up to 2.35x over the fixed configuration in PP-STAT while maintaining high numerical accuracy (MRE <= 3.1 x 10^-8). We further demonstrate that optimizing this fundamental building block directly enhances the end-to-end performance of complex statistical analyses, confirming the practical benefits of our environment-aware approach. By automatically adapting to heterogeneous execution environments, HE-DAP demonstrates that principled parameter optimization can make privacy-preserving statistical analytics practical at scale.
• Abstract（参考訳）: ホモモルフィック暗号化(HE)は、プライバシ保護分析を可能にするが、高い計算オーバーヘッドによって妨げられている。 多くの統計的および機械学習ワークロードにおいて、逆正方根は重要なプリミティブであることがわかった。 これは2つのコストのかかるHE演算のコアトレードオフに起因している: 高次チェビシェフ多項式を評価してニュートンの手法を高速化することと、暗号文ノイズを管理するブートストラップを実行することである。 相対コストは環境によって最大6倍に変化するため、固定された構成は本質的に非効率であることが証明される。 この課題に対処するため、私たちは、このトレードオフを自動的にナビゲートするクロスプラットフォーム最適化フレームワークであるHE-DAPを紹介します。 環境固有の性能特性をプロファイリングすることにより、HE-DAPは多項式次数と反復数との最適バランスを求め、与えられた精度目標に対する暗号化逆2乗根計算を高速化する。 Lattigo, HEaaN-CPU, HEaaN-GPU を用いた評価の結果, HE-DAP の適応的アプローチは大きな性能向上をもたらすことが示された。 PP-STATの固定構成でコア逆2乗根計算を最大2.35倍高速化し、高い数値精度(MRE <= 3.1 x 10^-8)を維持する。 さらに、この基本構造ブロックの最適化は、複雑な統計解析のエンドツーエンド性能を直接向上させ、環境に配慮したアプローチの実践的メリットを確認することを実証する。 HE-DAPは、不均一な実行環境に自動的に適応することにより、原則的パラメータ最適化により、大規模なプライバシー保護統計分析を実用的なものにすることができることを示した。

関連論文リスト

• Turning Stale Gradients into Stable Gradients: Coherent Coordinate Descent with Implicit Landscape Smoothing for Lightweight Zeroth-Order Optimization [11.723535704837266]
  バックプロパゲーションが利用できないシナリオでは、ゼロオーダ(ZO)最適化が重要となる。 既存の方法は、サンプル非効率(例:標準有限差分)であるか、ランダム化推定による高い分散に悩まされている、という大きなトレードオフに直面している。 本研究では,CoCD(Coherent Coordinate Descent)を提案する。
  論文  参考訳（メタデータ） (2026-05-14T04:52:24Z)
• Navigating LLM Valley: From AdamW to Memory-Efficient and Matrix-Based Optimizers [0.0]
  大規模言語モデルの訓練には、計算とメモリ効率が極端に高い最適化アルゴリズムが必要である。 本稿では,システム・アンド・最適化レンズを用いた大規模言語モデルの設計についてレビューする。
  論文  参考訳（メタデータ） (2026-05-09T21:34:28Z)
• Universally Empowering Zeroth-Order Optimization via Adaptive Layer-wise Sampling [43.822941944402544]
  ゼロ階最適化は、微調整された大規模言語モデルのための有望なメモリ効率のパラダイムを提供する。 しかし,壁面収差の緩やかな収束と高い推定分散により,その実用化は厳しく制約されている。 本稿では,適応層型ZO最適化フレームワークであるAdaLeZOを提案する。
  論文  参考訳（メタデータ） (2026-04-20T13:37:31Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Stochastic Subspace Descent Accelerated via Bi-fidelity Line Search [2.4214594180459366]
  本研究では,新しいゼロ階最適化法であるBF-SSDアルゴリズムを導入する。 BF-SSDは、高忠実度評価を著しく少なくしながら、優れた最適化性能を継続的に達成する。 本研究は,BF-SSDを有望かつ計算効率のよいアプローチとして位置づけ,ゼロ階最適化における両忠実性の統合の有効性を強調した。
  論文  参考訳（メタデータ） (2025-04-30T20:17:35Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• 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)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)

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。