論文の概要: ComputeFHE: A Privacy-Preserving General-Purpose Computation Library

• arxiv url: http://arxiv.org/abs/2606.24379v1
• Date: Tue, 23 Jun 2026 10:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.89743
• Title: ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
• Title（参考訳）: ComputeFHE: プライバシ保護のための汎用計算ライブラリ
• Authors: Faris Serdar Tasel, Efe Ciftci,
• Abstract要約: ホモモルフィック暗号化(FHE)は、データの機密性を保ちながら、直接暗号化されたデータ上で計算を行うことを可能にする。 本稿では、TFHE暗号システムに基づくプライバシー保護アプリケーションの開発を容易にするオープンソースのC++ライブラリであるComputeFHEを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fully Homomorphic Encryption (FHE) enables computations to be performed directly on encrypted data while preserving data confidentiality. However, its practical applications remain limited by high computational costs and development complexity. This paper presents ComputeFHE, an open-source C++ library that facilitates the development of privacy-preserving applications based on the TFHE cryptosystem. The library provides encrypted integer and fixed-point data types together with arithmetic, logical, comparison, conditional, and oblivious array-access operations which allow developers to implement algorithms using a familiar imperative programming paradigm. ComputeFHE supports both conventional TFHE arithmetic based on standard two-input logic gates and an optimized Arithmetic Logic Unit (ALU) architecture utilizing FHE-friendly logic primitives. Experimental results demonstrate significant reductions in the number of required bootstrapping operations, achieving performance improvements of up to 3.9x for selected operations. In addition, the library includes a simulation mode that enables testing, debugging, and complexity analysis without performing actual cryptographic computations while providing circuit complexity and bootstrapping costs. Built on top of OpenFHE, ComputeFHE offers a practical and accessible framework for developing and evaluating privacy-preserving algorithms and applications.
• Abstract（参考訳）: 完全同型暗号化(FHE)は、データの機密性を保ちながら、直接暗号化されたデータ上で計算を行うことを可能にする。 しかし、その実用的応用は高い計算コストと開発複雑さによって制限されている。 本稿では、TFHE暗号システムに基づくプライバシー保護アプリケーションの開発を容易にするオープンソースのC++ライブラリであるComputeFHEを提案する。 このライブラリは、暗号化された整数型と固定点データ型と、算術、論理、比較、条件付き、および難解な配列アクセス操作を提供しており、開発者は慣れ親しんだ命令型プログラミングパラダイムを使ってアルゴリズムを実装できる。 ComputeFHEは、標準的な2入力論理ゲートに基づく従来のTFHE演算と、FHEフレンドリな論理プリミティブを利用した最適化された算術論理ユニット(ALU)アーキテクチャの両方をサポートしている。 実験の結果、必要なブートストラップ操作の数を大幅に削減し、選択した操作に対して最大3.9倍の性能向上を実現した。 さらに、このライブラリは、回路の複雑さとブートストラップコストを提供しながら、実際の暗号計算を実行することなく、テスト、デバッグ、複雑さの分析を可能にするシミュレーションモードを含んでいる。 OpenFHE上に構築されたComputeFHEは、プライバシ保護アルゴリズムとアプリケーションの開発と評価のための実用的でアクセスしやすいフレームワークを提供する。

関連論文リスト

• TFHE-Coder: Evaluating LLM-agentic Fully Homomorphic Encryption Code Generation [10.597643264309415]
  TFHE (Homomorphic Encryption over the Torus) は、復号化せずにデータを暗号化する。 マシンラーニングのプライバシ保護、セキュアなマルチパーティ計算、プライベートブロックチェーントランザクション、セキュアな医療診断といった可能性にもかかわらず、暗号化の複雑さとユーザビリティの問題により、その採用は制限されている。 この研究は、TFHEコード生成の最初のベンチマークを確立し、ドメイン固有のフィードバックで拡張されたLLMが、FHEコード生成の専門的ギャップを埋める方法を示している。
  論文  参考訳（メタデータ） (2025-03-15T17:57:44Z)
• Secure numerical simulations using fully homomorphic encryption [0.8739101659113153]
  本研究では、FHEに基づく偏微分方程式のプライバシー保護数値シミュレーションの実現可能性について検討する。 2つのJuliaパッケージ、OpenFHE$.$jlとSecureArithmetic$.$jlが導入され、OpenFHE C++ライブラリをラップする。 その結果、暗号学的に安全な数値シミュレーションが可能であることが示されているが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  論文  参考訳（メタデータ） (2024-10-29T07:47:10Z)
• Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning [0.0]
  Blind Evaluation Framework (BEF) は暗号的にセキュアなプログラミングフレームワークである。 インタラクティブ・ラウンド・オブ・デクリプション・アンド・アセスメント(IRDE)を使わずに、盲目で、正しい、プログラミングロジックの実行を可能にする。 これは、解読ラウンドなしでFHEで機械学習モデルのトレーニングと推論を可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2023-10-19T20:33:02Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
  垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。 提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。 本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
  論文  参考訳（メタデータ） (2021-09-26T07:56:10Z)

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。