論文の概要: Ciphertext- and Polynomial-Level Optimization for Fully Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2607.15750v2
• Date: Mon, 20 Jul 2026 09:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.763745
• Title: Ciphertext- and Polynomial-Level Optimization for Fully Homomorphic Encryption
• Title（参考訳）: 完全同型暗号化のための暗号文と多項式レベル最適化
• Abstract要約: RNS-CKKSのようなフルホモモルフィック暗号化(FHE)スキームは、データに直接計算することで、プライバシ保護サービスを実現できる。 最近のFHEコンパイラは、各暗号文操作が一連の操作を含む暗号文レベルでFHEプログラムを最適化している。 この研究は、暗号文レベルとマルチレベル最適化の両方をサポートする新しいマルチレベルコンパイラであるRecifheを提示する。
• 参考スコア（独自算出の注目度）: 17.164955772341308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fully homomorphic encryption (FHE) schemes such as RNS-CKKS enable privacy-preserving services through direct computation on encrypted data. While recent FHE compilers optimize FHE programs, they operate at the coarse-grained ciphertext level, where each ciphertext operation comprises a sequence of polynomial operations. At this granularity, the compilers miss polynomial-level optimization opportunities across ciphertext operations. This work presents Recifhe, a new multi-level compiler that supports both ciphertext-level and polynomial-level optimization. At the ciphertext level, Recifhe transforms a non-FHE input program into an FHE program by inserting ciphertext management operations and applies global optimizations. At the polynomial level, Recifhe eliminates redundant polynomial computations across ciphertext operations. Recifhe achieves a 1.25x speedup over ciphertext-level-only optimization.
• Abstract（参考訳）: RNS-CKKSのようなフルホモモルフィック暗号化(FHE)スキームは、暗号化データを直接計算することで、プライバシ保護サービスを実現できる。 最近のFHEコンパイラはFHEプログラムを最適化するが、各暗号文操作は多項式演算からなる粗粒度の暗号文レベルで動作する。 この粒度では、コンパイラは暗号文操作の多項式レベル最適化の機会を逃している。 この研究は、暗号文レベルと多項式レベルの最適化の両方をサポートする新しいマルチレベルコンパイラであるRecifheを提示する。 暗号文レベルでは、Recifheは暗号文管理操作を挿入してFHEプログラムに非FHE入力プログラムを変換し、グローバルな最適化を適用する。 多項式レベルでは、Recifheは暗号文演算における冗長な多項式計算を除去する。 Recifheは、暗号文レベルのみの最適化よりも1.25倍のスピードアップを実現している。

関連論文リスト

• Memory-Efficient Designs for Word-Wise Universal Fully Homomorphic Encryption [13.384404337894575]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、分析を通してプライバシを保存する。 メモリボトルネックを軽減するFHE最適化フレームワークであるBXTを提案する。 CNNの推測では、BXT-CSO50構成は100x GPUベースラインで最大3.8$times$のスピードアップを実現し、50%比較精度で1%未満の精度損失を達成している。
  論文  参考訳（メタデータ） (2026-09-04T06:03:44Z)
• 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)
• DictPFL: Efficient and Private Federated Learning on Encrypted Gradients [46.7448838842482]
  最小限のオーバーヘッドで完全な勾配保護を実現するフレームワークであるDictPFLを提案する。 送信されていないパラメータをローカルに保ちながら、送信されたすべての勾配を暗号化し、重い計算をすることなくプライバシを保存する。 実験によると、DictPFLは通信コストを402-748$times$で削減し、完全に暗号化されたFLと比較して28-65$times$でトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-10-24T01:58:42Z)
• Efficient Decoding Methods for Language Models on Encrypted Data [32.58944595512403]
  ホモモルフィック暗号化(HE)は、セキュアな推論のために暗号化されたデータの計算を可能にする。 ニューラルテキスト生成にはargmaxやサンプリングのような復号法が必要である。 我々は,従来の手法に比べて暗号操作を減らし,実用的なグリージー復号を可能にする,HEフレンドリーなargmaxアルゴリズムであるCutmaxを導入する。
  論文  参考訳（メタデータ） (2025-09-10T08:23:14Z)
• Compile-Time Fully Homomorphic Encryption of Vectors: Eliminating Online Encryption via Algebraic Basis Synthesis [1.3824176915623292]
  暗号文は、事前計算された暗号化ベースベクターとランタイムスケールの0の暗号化を組み合わせた構成である。 ランダム化された$mathbbZ_t$-加群として定式化し、標準仮定の下でIND-CPAセキュリティを満たすことを証明した。 ゼロのランダムな暗号のプールを必要とする以前の設計とは異なり、我々の構成は実行時に新しいスカラーによって乗算された1つのゼロ暗号文を用いて等価なセキュリティを実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:05:18Z)
• Three-Input Ciphertext Multiplication for Homomorphic Encryption [6.390468088226496]
  ホモモルフィック暗号化(HE)は、暗号文上で直接計算することができる。 HEは、ニューラルネットワーク推論、診断、財務データ分析など、プライバシ保護コンピューティングに不可欠である。 本稿では,計算の複雑さを低減するために,3入力暗号文の乗算を提案する。
  論文  参考訳（メタデータ） (2024-10-17T13:40:49Z)
• SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
  本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。 SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。 実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
  論文  参考訳（メタデータ） (2023-09-27T05:19:32Z)
• ArctyrEX : Accelerated Encrypted Execution of General-Purpose Applications [6.19586646316608]
  FHE(Fully Homomorphic Encryption)は、計算中のユーザデータのプライバシとセキュリティを保証する暗号化手法である。 我々は、暗号化実行を高速化する新しい技術を開発し、我々のアプローチの顕著な性能上の利点を実証する。
  論文  参考訳（メタデータ） (2023-06-19T15:15:41Z)
• 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)
• FFConv: Fast Factorized Neural Network Inference on Encrypted Data [9.868787266501036]
  本稿では、畳み込みと暗号文のパッキングを統一するFFConvと呼ばれる低ランク分解法を提案する。 先行技術であるLoLaとFalconと比較して,提案手法は,それぞれ最大87%,12%の遅延を減少させる。
  論文  参考訳（メタデータ） (2021-02-06T03:10:13Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)
• Glushkov's construction for functional subsequential transducers [91.3755431537592]
  グルシコフの構成は多くの興味深い性質を持ち、トランスデューサに適用するとさらに明らかになる。 正規表現の特別な風味を導入し、効率よく$epsilon$-free 機能的次数重み付き有限状態トランスデューサに変換することができる。
  論文  参考訳（メタデータ） (2020-08-05T17:09:58Z)
• A PDD Decoder for Binary Linear Codes With Neural Check Polytope Projection [43.97522161614078]
  基本ポリトープに基づく最大可算(ML)復号問題に対処するPDDアルゴリズムを提案する。 また、PDD復号アルゴリズムの最も時間を要する部分に機械学習技術を統合することを提案する。 本稿では、デコード遅延を低減するために特別に設計されたニューラルCPP(N CPP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T07:57:15Z)

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。