論文の概要: PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption

• arxiv url: http://arxiv.org/abs/2607.21895v1
• Date: Fri, 24 Jul 2026 01:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.017907
• Title: PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption
• Title（参考訳）: PrivDNN:部分的DNN暗号化を用いた深層学習のためのセキュアなマルチパーティ計算フレームワーク
• Abstract要約: セキュアなマルチパーティシナリオでは、モデルとデータの両方がプロプライエタリであると考えられており、すなわち、モデル所有者は、非常に価値の高いDLモデルをユーザに公開したくない。 本稿では,暗号化されたディープラーニングモデルを共有することで,ユーザ側で計算をオフロードする新しいソリューションであるPrivDNNを提案する。
• 参考スコア（独自算出の注目度）: 23.75854815791631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past decade, we have witnessed an exponential growth of deep learning models, platforms, and applications. While existing DL applications and Machine Learning as a service (MLaaS) frameworks assume fully trusted models, the need for privacy-preserving DNN evaluation arises. In a secure multi-party computation scenario, both the model and the data are considered proprietary, i.e., the model owner does not want to reveal the highly valuable DL model to the user, while the user does not wish to disclose their private data samples either. Conventional privacy-preserving deep learning solutions ask the users to send encrypted samples to the model owners, who must handle the heavy lifting of ciphertext-domain computation with homomorphic encryption. In this paper, we present a novel solution, namely, PrivDNN, which (1) offloads the computation to the user side by sharing an encrypted deep learning model with them, (2) significantly improves the efficiency of DNN evaluation using partial DNN encryption, (3) ensures model accuracy and model privacy using a core neuron selection and encryption scheme. Experimental results show that PrivDNN reduces privacy-preserving DNN inference time and memory requirement by up to 97% while maintaining model performance and privacy. Codes can be found at https://github.com/LiangqinRen/PrivDNN
• Abstract（参考訳）: 過去10年間で、ディープラーニングモデル、プラットフォーム、アプリケーションの指数的な成長を目撃しました。 既存のDLアプリケーションとMLaaS(Machine Learning as a Service)フレームワークが完全に信頼されたモデルを前提としている一方で、プライバシ保護のDNN評価の必要性が生じる。 セキュアなマルチパーティ計算シナリオでは、モデルとデータの両方がプロプライエタリであると考えられており、すなわち、モデル所有者は、非常に価値の高いDLモデルをユーザに公開したくない。 従来のプライバシー保護型ディープラーニングソリューションでは,暗号化されたサンプルをモデル所有者に送信するようユーザに求めている。 本稿では,(1)暗号化されたディープラーニングモデルを共有してユーザ側に計算をオフロードするPrivDNN,(2)部分的DNN暗号を用いたDNN評価の効率を大幅に向上させる,(3)コアニューロン選択と暗号化方式を用いてモデルの精度とモデルのプライバシを確保する,という新しいソリューションを提案する。 実験の結果、PrivDNNは、モデル性能とプライバシを維持しながら、プライバシを保存するDNNの推論時間とメモリ要求を最大97%削減することが示された。 コードはhttps://github.com/LiangqinRen/PrivDNNで見ることができる。

関連論文リスト

• PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks [0.08749675983608168]
  スパイキングニューラルネットワーク(SNN)は、従来のディープラーニングアプローチに代わるエネルギー効率の高い代替手段として登場した。 PRIVSPIKEは、CKKS準同型暗号方式を用いてSNNのプライバシー保護推論フレームワークである。 コンシューマグレードのCPUでは、SNN LeNet-5モデルはMNISTで28秒、Neuromorphic MNISTで212秒の推論時間を達成した。
  論文  参考訳（メタデータ） (2025-10-05T02:11:40Z)
• Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models [112.48136829374741]
  本稿では、プライバシーバックドア攻撃という新たな脆弱性を明らかにします。 被害者がバックドアモデルに微調整を行った場合、トレーニングデータは通常のモデルに微調整された場合よりも大幅に高い速度でリークされる。 我々の発見は、機械学習コミュニティにおける重要なプライバシー上の懸念を浮き彫りにし、オープンソースの事前訓練モデルの使用における安全性プロトコルの再評価を求めている。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)
• Training Natural Language Processing Models on Encrypted Text for Enhanced Privacy [0.0]
  本研究では,暗号化されたテキストデータを用いたNLPモデルのトレーニング手法を提案する。 以上の結果から,暗号化モデルと非暗号化モデルの両方が同等の性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2023-05-03T00:37:06Z)
• HE-MAN -- Homomorphically Encrypted MAchine learning with oNnx models [0.23624125155742057]
  ホモモルフィック暗号化(FHE)は、プライバシを諦めることなくMLサービスを使用する個人を可能にする、有望なテクニックである。 我々は、ONNXモデルと同型暗号化データとの推論をプライバシー保護するためのオープンソースの機械学習ツールセットであるHE-MANを紹介する。 HE-MANは以前の作業と比較して、ONNXフォーマットの幅広いMLモデルをサポートしているが、精度を犠牲にしない。
  論文  参考訳（メタデータ） (2023-02-16T12:37:14Z)
• Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
  本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。 再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。 グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
  論文  参考訳（メタデータ） (2022-10-21T04:38:25Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)
• 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)
• NN-EMD: Efficiently Training Neural Networks using Encrypted Multi-Sourced Datasets [7.067870969078555]
  暗号化データセット上で機械学習モデルをトレーニングすることは、プライバシ保護機械学習タスクに対処するための、既存の有望なアプローチである。 複数の情報源から収集された複数のデータセット上でディープニューラルネットワーク(DNN)モデルをトレーニングするための新しいフレームワークであるNN-EMDを提案する。 MNISTデータセットのトレーニング時間とモデル精度について,本フレームワークの性能評価を行った。
  論文  参考訳（メタデータ） (2020-12-18T23:01:20Z)
• Towards Scalable and Privacy-Preserving Deep Neural Network via Algorithmic-Cryptographic Co-design [28.789702559193675]
  スケーラブルでプライバシ保護の深いニューラルネットワーク学習フレームワークであるSPNNを提案する。 暗号の観点から,秘密共有とホモモルフィック暗号化という2種類の暗号技術を用いて提案する。 実世界のデータセット上で行った実験結果はSPNNの優位性を示している。
  論文  参考訳（メタデータ） (2020-12-17T02:26:16Z)
• Deep Serial Number: Computational Watermarking for DNN Intellectual Property Protection [53.40245698216239]
  DSN(Deep Serial Number)はディープニューラルネットワーク(DNN)に特化した透かしアルゴリズムである。 従来のソフトウェアIPの保護においてシリアル番号に着想を得て,DNNに埋め込まれたシリアル番号の最初の実装を提案する。
  論文  参考訳（メタデータ） (2020-11-17T21:42:40Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。