論文の概要: MOSAIC: Masked Outsourcing of Secure AI Computations

• arxiv url: http://arxiv.org/abs/2607.29221v1
• Date: Fri, 31 Jul 2026 09:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.678537
• Title: MOSAIC: Masked Outsourcing of Secure AI Computations
• Title（参考訳）: MOSAIC: セキュアなAI計算の仮面アウトソーシング
• Abstract要約: 我々は、AI計算を信頼できるが計算的に弱いクライアントから信頼できないが強力なサーバに安全に効率的にアウトソーシングするという課題に対処する。 提案するMOSAICは,新しい行列-乗算マスキングプロトコルである。 私たちは、MOSAICのようなアイデアが、現代のデータセンターにおける大規模機密AIへの道のりを約束する方法を示します。
• 参考スコア（独自算出の注目度）: 8.114199516455828
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We address the challenge of securely and efficiently outsourcing AI computations from a trusted but computationally weak client to an untrusted but powerful server, in the setting where the client holds both the input and the model, and the server must learn neither. We present MOSAIC, whose core is a novel matrix-multiplication masking protocol that scales to far larger matrices than prior work, enabling the safe outsourcing of modern workloads such as large transformer inference. By introducing small amounts of noise to the multiplication result and thereby relaxing correctness, MOSAIC achieves optimal asymptotic client overhead and concrete runtimes orders of magnitude faster than prior work. Its security reduces to the decisional LWE and LPN assumptions. Because this noise accumulates across the many layers of a transformer, a key technical challenge is bounding error growth; MOSAIC addresses this with an error-scaling mechanism based on random Hadamard rotations. On large 70B transformer models, MOSAIC's perplexity is comparable to popular quantization approaches and even matches full-precision BF16 inference on HumanEval. Finally, we present an end-to-end implementation showing how ideas like MOSAIC can promise a path towards large-scale confidential AI in modern data centers. Non-confidential inference is already distributed across phase (prefill/decode), layer, and time to maximize utilization of heterogeneous hardware, using RDMA-like networking to move activations, cached KV values, and weights across nodes. MOSAIC enables scaling of confidential compute by keeping the trusted computing base (TCB) small and outsourcing the bulk of the AI computation to untrusted accelerators.
• Abstract（参考訳）: 我々は、クライアントが入力とモデルの両方を保持し、サーバがどちらも学ばなければならない設定において、AI計算を信頼できるが、計算的に弱いクライアントから信頼できない、強力なサーバにセキュアかつ効率的にアウトソーシングするという課題に対処する。 提案するMOSAICは,従来よりもはるかに大きな行列にスケールする新しい行列乗算マスキングプロトコルであり,大規模なトランスフォーマー推論などの現代的なワークロードの安全なアウトソーシングを可能にする。 乗算結果に少量のノイズを導入し、精度を緩和することにより、MOSAICは最適な漸近的クライアントオーバーヘッドと具体的なランタイムオーダを前処理よりも桁違いに早く達成する。 そのセキュリティは、決定的なLWEとLPNの仮定に還元される。 このノイズは変圧器の多くの層に蓄積するため、重要な技術的課題はエラーの増大を境界にすることであり、MOSAICはランダムなアダマール回転に基づくエラースケーリング機構でこの問題に対処する。 大型の70Bトランスフォーマーモデルでは、MOSAICのパープレキシティは一般的な量子化アプローチに匹敵し、HumanEvalの完全精度のBF16推論に匹敵する。 最後に、MOSAICのようなアイデアが、現代のデータセンターにおける大規模機密AIへの道をいかに約束できるかを示すエンドツーエンドの実装を示す。 非機密推論は、すでにフェーズ(prefill/decode)、レイヤ、そしてRDMAのようなネットワークを使ってノード間のアクティベーション、キャッシュされたKV値、重みを移動させる異種ハードウェアの利用を最大化する時間に分散している。 MOSAICは、信頼できるコンピューティングベース(TCB)を小さく保ち、AI計算の大部分を信頼できないアクセラレータにアウトソーシングすることで、機密計算のスケーリングを可能にする。

関連論文リスト

• ARMOR-IMC: Adaptive Resource Mapping for Operational Robustness via Secure In-Memory Computing [1.8270156756248488]
  この研究は、モデルを再訓練することなく、アナログMCアクセラレーターを両方の脅威に対して強化する枠組みを示す。 実験により,PVによる故障は50%以上精度を低下させることができるが,本手法はベースライン付近の精度を回復し,相関に基づく電力分析攻撃の脅威を軽減する。
  論文  参考訳（メタデータ） (2026-07-12T21:59:41Z)
• Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
  低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。 潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。 提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
  論文  参考訳（メタデータ） (2026-02-27T04:30:35Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• ENSI: Efficient Non-Interactive Secure Inference for Large Language Models [10.82684192498215]
  大規模言語モデル(LLM)のための新しいセキュア推論フレームワークであるENSIを提案する。 ENSI は CKKS スキームを軽量 LLM 変種 BitNet とシームレスに統合する最適化された符号化方式を採用している。 本稿では,行列乗算の約8倍の高速化と,CPU上でのソフトマックス推論の2.6倍の高速化を実現することを実証する。
  論文  参考訳（メタデータ） (2025-09-11T13:04:22Z)
• Multi-party dynamic quantum homomorphic encryption scheme based on rotation operators [6.390642243223237]
  量子ホモモルフィック暗号(quantum homomorphic encryption)は、量子場における古典的ホモモルフィック暗号の対応する技術である。 以前のスキームでは、サーバのボラティリティ問題に同時に対処できなかった。 本稿では,回転演算子に基づく新しい動的量子同型暗号方式を提案する。
  論文  参考訳（メタデータ） (2025-05-11T11:54:49Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• SABLE: Secure And Byzantine robust LEarning [9.455980760111498]
  ホモモルフィック暗号化(HE)は、分散学習におけるプライバシを保護するための主要なセキュリティ対策として登場した。 本稿では,最初の同型およびビザンチン頑健な分散学習アルゴリズムであるSABLEを紹介する。
  論文  参考訳（メタデータ） (2023-09-11T11:54:42Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Fast and Private Inference of Deep Neural Networks by Co-designing Activation Functions [26.125340303868335]
  現在のアプローチは大きな推論時間に悩まされている。 推論モデルと精度を競合させる新しいトレーニングアルゴリズムを提案する。 我々の評価では、最大2300万のパラメータを持つ大規模モデルにおいて、推論時間の3ドルから110倍のスピードアップが示されています。
  論文  参考訳（メタデータ） (2023-06-14T14:38:25Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)

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。