論文の概要: Sarus: Privacy-Preserving Multi-Vendor Perception Fusion via Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2607.19146v1
- Date: Tue, 21 Jul 2026 14:38:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.455453
- Title: Sarus: Privacy-Preserving Multi-Vendor Perception Fusion via Homomorphic Encryption
- Title（参考訳）: Sarus: ホモモルフィック暗号化によるプライバシ保護型マルチベンダ認識融合
- Abstract要約: 私たちは、ホモモルフィック暗号(HE)によるマルチベンダ認識融合のためのプライバシ保護フレームワークであるSarusを提示する。
各ベンダーは、共有空間格子上のコンパクトガウスモーメントベクトルとして検出を符号化し、暗号化されたペイロードを融合サーバに送信する。
融合した結果は復号され、クラスワイドのビンマージによって最終検出に再構成される。
- 参考スコア（独自算出の注目度）: 0.20313422213594776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cooperative perception enables autonomous vehicles (AVs) to improve situational awareness by aggregating detection outputs from multiple agents and sensing platforms, often via a shared fusion service in multi-vendor deployments. However, sharing such outputs at inference time exposes proprietary model behavior and sensitive environmental information, creating significant privacy and security concerns. In this paper, we present Sarus, a privacy-preserving framework for multi-vendor perception fusion via homomorphic encryption (HE), enabling aggregation without revealing individual vendor outputs. Each vendor encodes detections as compact Gaussian moment vectors over a shared spatial lattice and transmits encrypted payloads to a fusion server, which aggregates them directly in the encrypted domain. The fused result is then decrypted and reconstructed into final detections through class-wise bin merging. We analyze the computational complexity, showing linear scaling for vendor payload construction and $O(BV)$ server-side fusion with the number of occupied bins $B$ and vendors $V$, while postprocessing scales as $O(B + \sum_{c\in \mathcal{C}} B_c^2)$, where $\mathcal{C}$ denotes the set of object classes and $B_c$ is the number of occupied bins for class $c$. Experiments demonstrate linear scaling in practice with only a bounded constant-factor overhead from HE, with decryption dominating postprocessing cost. Experiments on the KITTI dataset using camera (YOLOv8) and LiDAR (PointPillars, PV-RCNN) detectors show that Sarus improves scene-level coverage by effectively aggregating complementary detections, particularly in distance-dependent regimes where individual modalities degrade. These results indicate that privacy-preserving multi-vendor perception fusion is feasible for real-time deployment when statistical compression and spatial sparsity are jointly exploited.
- Abstract（参考訳）: 協調的な認識により、自律走行車(AV)は、複数のエージェントやセンシングプラットフォームからの検出出力を集約することで、状況認識を改善することができる。
しかし、そのようなアウトプットを推論時に共有することは、プロプライエタリなモデル行動とセンシティブな環境情報を公開し、重要なプライバシーとセキュリティ上の懸念を生じさせる。
本稿では,同型暗号化(HE)によるマルチベンダ認識融合のためのプライバシ保護フレームワークであるSarusについて述べる。
各ベンダーは、共有空間格子上のコンパクトガウスモーメントベクトルとして検出を符号化し、暗号化されたペイロードを融合サーバに送信し、直接暗号化されたドメインに集約する。
融合した結果は復号され、クラスワイドのビンマージによって最終検出に再構成される。
計算複雑性を解析し、ベンダーペイロードの構成に対する線形なスケーリングを示し、$O(BV)$サーバーサイドの融合と、占有されたビンの数$B$およびベンダー$V$を示し、一方、後処理のスケールは$O(B + \sum_{c\in \mathcal{C}} B_c^2)$で、$\mathcal{C}$はオブジェクトクラスの集合を示し、$B_c$はクラス$c$の占有ビンの数を表す。
実験では、HEから有界な定数要素のオーバーヘッドしか持たず、復号処理が後処理のコストを抑えながら、線形スケーリングを実演している。
カメラ (YOLOv8) とLIDAR (PointPillars, PV-RCNN) 検出器を用いたKITTIデータセットの実験では、個々のモードが劣化する距離依存の状況において、サラスは補完的な検出を効果的に集約することにより、シーンレベルのカバレッジを向上させることが示されている。
以上の結果から,統計的圧縮と空間空間空間の疎結合を併用した場合に,プライバシ保護によるマルチベンダ認識融合がリアルタイム展開に有効であることが示唆された。
関連論文リスト
- Revisiting Continuous Noise Sampling for Multi-Party Differential Privacy [5.859502071587914]
本稿では,連続ノイズサンプリングプロトコルを再検討し,セキュリティと効率の両面でいくつかの改善点を示す。
演算回路におけるスケーリング操作は、ノイズをスパースで公知の値集合に分解し、相手が解放されたノイズの多いクエリを観測し、生成したデータセットを決定することを実証する。
我々の実装は、既存のセキュアな離散サンプリング器よりも412倍のスピードアップを実現し、安全でないサンプル・スケールのパラダイムよりもマグニチュード・オブ・マグニチュード・スピードアップを実現している。
論文 参考訳（メタデータ） (2026-08-27T22:57:31Z) - HeteroPROPMT: A Real-time and Privacy-Preserving Heterogeneous Collaborative Perception Framework [4.904389322133549]
コラボレーティブ・パーセプション(CP)は、センサーデータ、中間機能、検出結果を共有することで、自律システムの環境に対する認識を改善する。
既存のアプローチは通常、融合と検出コンポーネントをリトレーニングするか、モダリティ固有の機能インタプリタを導入する。
異種協調認識のためのリアルタイム・プライバシ保護フレームワークHeteroPROMPTを提案する。
論文 参考訳（メタデータ） (2026-07-28T21:24:43Z) - UMEDA: Unified Multi-modal Efficient Data Fusion for Privacy-Preserving Graph Federated Learning via Spectral-Gated Attention and Diffusion-Based Operator Alignment [20.399005485708273]
デバイスフリーのローカライゼーションは、エッジデバイスに分散した異種無線および視覚センサーからモデルを訓練する。
クライアントが連続的な積分演算子を共有するグローバルグラフのノードを形成するグラフフェデレーション学習フレームワークであるUMEDAを提案する。
UMEDAは、最先端のフェデレーションベースラインを精度、収束性、通信効率で上回る。
論文 参考訳（メタデータ） (2026-05-08T08:15:47Z) - Combinatorial Privacy: Private Multi-Party Bitstream Grand Sum by Hiding in Birkhoff Polytopes [6.178002001006941]
PolyVeilは、Birkhoff polytopeでプライベートビットを置換行列としてエンコードする、$k$クライアント間の総和プロトコルである。
P-hardnessは完全な行列ビューを必要とするが、非空のDPはスカラービューを必要とする。
プロトコルはPKIを必要とせず、$O(k)$通信を持ち、正確な集約を出力する。
論文 参考訳（メタデータ） (2026-03-24T05:08:38Z) - DP-CSGP: Differentially Private Stochastic Gradient Push with Compressed Communication [71.60998478544028]
本稿では,分散学習グラフのための圧縮通信(termedfrac-CSGP)を用いた差分的プライベート・グラディエント・プッシュを提案する。
一般の非数学的かつ滑らかな目的関数に対して,本アルゴリズムは高精度かつ効率的な通信を実現するために設計されていることを示す。
論文 参考訳（メタデータ） (2025-12-15T17:37:02Z) - Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。
本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:40Z) - Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳（メタデータ） (2024-06-18T15:26:54Z) - $\Lambda$-Split: A Privacy-Preserving Split Computing Framework for
Cloud-Powered Generative AI [3.363904632882723]
本稿では,計算オフロードを容易にする分割計算フレームワークである$Lambda$-Splitを紹介する。
Lambda$-Splitでは、生成モデル(通常はディープニューラルネットワーク(DNN))が3つのサブモデルに分割され、ユーザのローカルデバイスとクラウドサーバに分散される。
このアーキテクチャにより、隠された層出力のみが送信されることが保証され、プライバシーに敏感な生入力および出力データの外部送信が防止される。
論文 参考訳（メタデータ） (2023-10-23T07:44:04Z) - Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。
我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。
ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:53:12Z) - Federated Nearest Neighbor Machine Translation [66.8765098651988]
本稿では,FedNN(FedNN)機械翻訳フレームワークを提案する。
FedNNは1ラウンドの記憶に基づくインタラクションを活用して、異なるクライアント間で知識を共有する。
実験の結果,FedAvgと比較して,FedNNは計算コストと通信コストを著しく削減することがわかった。
論文 参考訳（メタデータ） (2023-02-23T18:04:07Z) - THE-X: Privacy-Preserving Transformer Inference with Homomorphic
Encryption [112.02441503951297]
トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。
我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$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。