論文の概要: HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion

• arxiv url: http://arxiv.org/abs/2606.22928v1
• Date: Mon, 22 Jun 2026 07:05:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:33:51.443048
• Title: HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion
• Title（参考訳）: HADES:選択的特徴暗号化とハイブリッドモデル融合によるプライバシ保護フェデレーション学習
• Authors: Ergün Batuhan Kaynak, Kerem Bayramoglu, Sinem Sav,
• Abstract要約: 我々は,最も重要な特徴を特定し,暗号化するハイブリッドシステムであるHADESを提案する。 HADESはバニラFLの精度に一致し、プライバシを保ち、最適化ランタイムを実現する。
• 参考スコア（独自算出の注目度）: 0.10923877073891441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the challenge of privacy-preserving training in federated learning (FL) by introducing a novel framework that selectively encrypts only the most privacy-sensitive features while leaving the remaining data and the corresponding model portion unencrypted. We propose HADES, a hybrid system that identifies and encrypts the most critical features, ensuring both privacy protection and computational efficiency. Unlike fully encrypted FL training pipelines, which suffer from high computational overhead, HADES integrates an encrypted and non-encrypted training pipeline via a fusion mechanism, enabling seamless interaction between encrypted and plaintext model representations. To achieve this, we use PCA to identify and encrypt the most privacy-sensitive features, which significantly reduces reconstruction attack success in FL. Building on this insight, we design a hybrid FL system that trains an end-to-end encrypted network via multiparty homomorphic encryption (MHE) on the selected features while simultaneously training a plaintext network on the remaining features. These two networks are then integrated using a fusion mechanism. We also introduce a general packing scheme that eliminates redundant rotations by considering the entire neural network architecture. Finally, we demonstrate that HADES matches the accuracy of vanilla FL while preserving privacy and achieving optimized runtime through selective encryption.
• Abstract（参考訳）: 本稿では,最もプライバシーに敏感な特徴のみを選択的に暗号化し,残ったデータとそれに対応するモデルの部分をアン暗号化するフレームワークを導入することにより,フェデレートラーニング(FL)におけるプライバシ保護トレーニングの課題に対処する。 我々は、プライバシー保護と計算効率の両立を保証し、最も重要な特徴を特定し、暗号化するハイブリッドシステムであるHADESを提案する。 完全に暗号化されたFLトレーニングパイプラインとは違い、HADESは暗号化された非暗号化トレーニングパイプラインをフュージョン機構を介して統合し、暗号化されたモデル表現と平文モデル表現のシームレスな相互作用を可能にする。 これを実現するために,PCAを用いて最もプライバシーに敏感な特徴を特定し,暗号化し,FLにおける再構築攻撃の成功を著しく低減する。 この知見に基づいて、我々は、選択した特徴に対してマルチパーティ同型暗号化(MHE)を介してエンドツーエンドの暗号化ネットワークをトレーニングし、残りの特徴に対して平文ネットワークを同時に訓練するハイブリッドFLシステムを設計する。 これら2つのネットワークは融合機構を用いて統合される。 また、ニューラルネットワークアーキテクチャ全体を考慮し、冗長なローテーションを排除する汎用的なパッキング方式も導入する。 最後に,HADESがバニラFLの精度に一致し,プライバシを保ち,選択的暗号化によって最適化されたランタイムを実現することを示す。

関連論文リスト

• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• A Privacy-Centric Approach: Scalable and Secure Federated Learning Enabled by Hybrid Homomorphic Encryption [2.611778281107039]
  Federated Learning(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするため、プライバシに敏感なドメインに対して有望なアプローチである。 その可能性にもかかわらず、FLは特に通信オーバーヘッドとデータプライバシの観点から、重大な課題に直面している。 本研究では、対称暗号とHEを組み合わせた暗号プロトコルであるHybrid Homomorphic Encryption(HHE)をFLと効果的に統合し、通信とプライバシーの両方の課題に対処する方法について検討する。
  論文  参考訳（メタデータ） (2025-07-20T07:46:53Z)
• HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption [3.0841649700901117]
  FHE(Fully Homomorphic Encryption)は、データを暗号化するだけでなく、暗号化されたデータに直接計算を適用することができる暗号化方式である。 本稿では,FHEを深層学習勧告モデル(DLRM)に適用する際の課題と機会について考察する。 本研究では,FHE計算コストを低減し,基礎となるモデル性能を維持しつつ,圧縮埋込みルックアップを実行する新しい手法を開発した。
  論文  参考訳（メタデータ） (2025-06-22T19:40:04Z)
• Enhancing Privacy in Semantic Communication over Wiretap Channels leveraging Differential Privacy [51.028047763426265]
  セマンティック通信(SemCom)は,タスク関連情報に着目して伝送効率を向上させる。 セマンティックリッチなデータをセキュアでないチャネルで送信すると、プライバシのリスクが生じる。 本稿では,セマンティックなセマンティックな特徴を保護するために,差分プライバシー機構を統合した新しいSemComフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-23T08:42:44Z)
• Coding-Based Hybrid Post-Quantum Cryptosystem for Non-Uniform Information [53.85237314348328]
  我々は、新しいハイブリッドユニバーサルネットワーク符号化暗号(NU-HUNCC)を導入する。 NU-HUNCCは,リンクのサブセットにアクセス可能な盗聴者に対して,個別に情報理論的に保護されていることを示す。
  論文  参考訳（メタデータ） (2024-02-13T12:12:39Z)
• FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users [19.209830150036254]
  従来の機械学習パラダイムにおけるデータプライバシの問題を軽減するために、フェデレートラーニング(FL)技術が開発された。 次世代のFLアーキテクチャでは、モデル更新をサーバから保護するための暗号化と匿名化技術が提案されている。 本稿では,完全同型暗号(FHE)に基づく新しいFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T11:20:00Z)
• 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)

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。