Fugu-MT 論文翻訳(概要): Homomorphic Encryptions for Privacy Preserving Vision

論文の概要: Homomorphic Encryptions for Privacy Preserving Vision

arxiv url: http://arxiv.org/abs/2606.25216v1
Date: Tue, 23 Jun 2026 22:28:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.163261
Title: Homomorphic Encryptions for Privacy Preserving Vision
Title（参考訳）: プライバシー保護ビジョンのためのホモモルフィック暗号化
Authors: Preey Shah, Rohan Virani, Sanjari Srivastava,
Abstract要約: 我々は,暗号化されたデータのみを見て,プライバシ保護方式でコンピュータビジョンで推論タスクを実行することを目指している。 CNNに同型暗号を適用するには、暗号体系に従うために従来のCNN層を変更する必要がある。各種データセットの分類精度を最小限に低下させることに成功した。
参考スコア（独自算出の注目度）: 1.4268073078103212
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Legal requirements might prevent organizations from sharing sensitive data like medical or financial details of consumers which prevents them from leveraging cloud based ML-as-a-service solutions provided by third party providers, which are quickly gaining popularity these days. In this project, we aim to perform inference tasks in Computer Vision in a privacy-preserving manner, i.e, by only looking at encrypted data. Recent advances in fully homomorphic encryption make this possible. A fully homomorphic encryption allows an arbitrary sequence of additive and multiplicative operations to be performed on encrypted data directly. Applying homomorphic encryptions to CNNs requires modifying the conventional CNN layers, so that they adhere to the encryption scheme. Our aim was to explore the best methods to create CNNs which can classify encrypted images directly. We used Microsoft SEAL for performing homomorphic encryption. The performance of these "encryption based CNNs" should be comparable with baseline accuracies of the same CNNs trained on unencrypted data, and the aim was to achieve as low of a hit on inference-time performance as possible. We successfully obtained minimal drop in classification accuracy for various datasets. We used MNIST as our baseline, which is popularly used in related research work and then explored more complex datasets like Kuzushiji MNIST, Fashion-MNIST and CIFAR-10 as a part of our contribution. Additionally, we also added support for more complex operations on top of TenSEAL, like processing colored images (multi-channel input), applying multiple convolutional layers and performing average pooling.
Abstract（参考訳）: 法律上の要件により、消費者の医療や財務の詳細などの機密データを共有できないため、クラウドベースのML-as-a-serviceソリューションを利用できない。本稿では,コンピュータビジョンにおける推論タスクをプライバシ保護方式,すなわち暗号化されたデータのみを見て行うことを目的としている。完全同型暗号の最近の進歩は、これを実現している。完全同型暗号は、任意の加法的および乗法的操作を暗号化データ上で直接実行することを可能にする。 CNNに同型暗号を適用するには、暗号体系に従うために従来のCNN層を変更する必要がある。我々の目的は、暗号化された画像を直接分類できるCNNを作成するための最良の方法を探ることであった。われわれはMicrosoft SEALを使って同型暗号化を行った。これらの“暗号化ベースのCNN”のパフォーマンスは、暗号化されていないデータでトレーニングされた同じCNNのベースライン精度に匹敵するものでなければならない。各種データセットの分類精度を最小限に低下させることに成功した。我々は、MNISTをベースラインとして使用し、MNIST、MNIST、Fashion-MNIST、CIFAR-10といった複雑なデータセットをコントリビューションの一部として探索した。さらに、色付きイメージ(マルチチャネル入力)の処理、複数の畳み込みレイヤの適用、平均プールの実行など、TenSEAL上でのより複雑な操作のサポートも追加しました。

関連論文リスト

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)
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)
Secure Semantic Communication With Homomorphic Encryption [52.5344514499035]
本稿では,SemCom に準同型暗号を適用する可能性について検討する。タスク指向のSemComスキームを提案する。
論文参考訳（メタデータ） (2025-01-17T13:26:14Z)
Recoverable Privacy-Preserving Image Classification through Noise-like Adversarial Examples [26.026171363346975]
分類などのクラウドベースの画像関連サービスが重要になっている。本研究では,新しいプライバシー保護画像分類手法を提案する。暗号化された画像は、秘密鍵を使用して、高い忠実度(保存可能な)で元の形式に復号することができる。
論文参考訳（メタデータ） (2023-10-19T13:01:58Z)
Training Large Scale Polynomial CNNs for E2E Inference over Homomorphic Encryption [33.35896071292604]
推論中に同型暗号化(HE)で実行できる大規模なCNNのトレーニングは難しい。本稿ではResNet-152やConvNeXtモデルのような大規模CNNのための新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2023-04-26T20:41:37Z)
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)
Reinforcement Learning on Encrypted Data [58.39270571778521]
本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
論文参考訳（メタデータ） (2021-09-16T21:59:37Z)
NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
論文参考訳（メタデータ） (2021-06-04T13:42:21Z)
Highly Accurate CNN Inference Using Approximate Activation Functions over Homomorphic Encryption [0.1933681537640272]
クラウド上の機密データを扱う一般的な方法は、暗号化を復号することなく暗号化されたデータの計算を可能にする、同型暗号化を使用する。従来の研究では、データ分類に二乗関数のような低次写像関数が用いられていた。我々は,Microsoft の Simple Encrypted Arithmetic Library for the Cheon-Kim-Kim-Song scheme を用いて,同型暗号に対するCNN推論を実装した。
論文参考訳（メタデータ） (2020-09-08T13:20:59Z)
HERS: Homomorphically Encrypted Representation Search [56.87295029135185]
本稿では,暗号化ドメイン内の大規模ギャラリーに対して,プローブ(あるいはクエリ)画像表現を検索する手法を提案する。我々の暗号方式は固定長表現の取得方法に従わないため、任意のアプリケーション領域における任意の固定長表現に適用できる。
論文参考訳（メタデータ） (2020-03-27T01:10:54Z)

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。