論文の概要: Trimming: Decoupling Multiplicative Depth from Modulus Chains in RNS-CKKS via Rational Levels

• arxiv url: http://arxiv.org/abs/2608.00375v1
• Date: Sat, 01 Aug 2026 01:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 15:01:37.25392
• Title: Trimming: Decoupling Multiplicative Depth from Modulus Chains in RNS-CKKS via Rational Levels
• Title（参考訳）: トリミング:RSS-CKKSの乗算深さを合理的なレベルに分解する
• Abstract要約: グラフティングは、RSS-CKKSのより柔軟な精度管理を可能にする暗号文変調からスケールファクターを分離する。 本稿では,RSS-CKKSの連鎖の乗算深度を合理的に分離する,新たな粒度レベル管理機構であるTrimmingを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work on Grafting decouples scale factors from ciphertext moduli, enabling more flexible precision management in RNS-CKKS. However, the multiplicative depth remains fundamentally constrained by the modulus chain structure. In this paper, we propose \emph{Trimming}, a novel fine-grained level management mechanism that decouples multiplicative depth from modulus chains in RNS-CKKS via rational levels. The key idea is to introduce an auxiliary trimming modulus chain composed of smaller NTT-friendly modulus factors, which enables partial modulus transitions instead of directly discarding an entire modulus factor. By replacing conventional discrete level reductions with fine-grained modulus factor refinement, Trimming provides a rational-level abstraction beyond the traditional integer-based modulus chain representation. Our approach preserves the compatibility with existing RNS-CKKS arithmetic while enabling more flexible depth management and adaptive modulus transitions. Similar to Grafting, which addresses the precision bottleneck, Trimming targets the depth bottleneck in RNS-CKKS and contributes toward a fully decoupled RNS-CKKS architecture. The proposed framework will be further validated through concrete implementation and experimental evaluation to investigate its practical performance and computational overhead in real-world homomorphic encryption applications.
• Abstract（参考訳）: RNS-CKKSにおけるよりフレキシブルな精度管理を可能にする暗号文変調によるスケールファクタのグラフト化に関する最近の研究。 しかし、乗法的な深さは、モジュラー連鎖構造によって基礎的に制約される。 本稿では, RNS-CKKS の乗法鎖から有理レベルを通して乗法深さを分離する, 新たなきめ細かいレベル管理機構である \emph{Trimming} を提案する。 鍵となる考え方は、小さいNTTフレンドリーな弾性率因子からなる補助的なトリミング弾性率連鎖を導入することであり、これは全剛率因子を直接捨てるのではなく、部分的な弾性率遷移を可能にする。 従来の離散レベル還元を微粒なモジュラー係数分解に置き換えることで、トリミングは伝統的な整数ベースのモジュラー連鎖表現を超えた有理レベルの抽象を提供する。 提案手法は既存の RNS-CKKS 算術演算との整合性を保ちつつ,より柔軟な深度管理と適応率遷移を可能にする。 精度のボトルネックに対処するグラフティングと同様に、トリミングはRSS-CKKSの深さボトルネックを目標とし、完全に分離されたRSS-CKKSアーキテクチャに貢献する。 提案手法は,実世界の同型暗号アプリケーションにおいて,実際の性能と計算オーバーヘッドを検証するために,具体的実装と実験的評価によってさらに検証される。

関連論文リスト

• Prompt-Conditioned Channel Attention for Hierarchical Feature Modulation toward Anatomy-Agnostic Segmentation [3.205671859719557]
  本稿では,エンコーダ・デコーダネットワーク内のセマンティックプロンプトの深い階層的な統合を可能にする新しい変調機構であるPrompt-Conditioned Channel Attention (PCCA)を紹介する。 PCCAは、プールを介してコンパクトなチャネル記述子を抽出し、それらを共有空間に投影し、ゲート励起機構を介して融合し、プロンプト対応のチャネル注意重みを計算する。 これらの重みは、複数のネットワークステージにまたがる特徴応答を適応的に再調整し、プロンプト条件付き、意味的にリッチな階層表現を可能にする。
  論文  参考訳（メタデータ） (2026-08-20T16:24:09Z)
• OScaR: The Occam's Razor for Extreme KV Cache Quantization in LLMs and Beyond [50.440302567029654]
  マルチモーダルインテリジェンスにより、Key-Valueキャッシュは効率的なデプロイメントのための主要なメモリボトルネックとなった。 本研究では、チャネルごとの量子化パラダイムの本質的な限界を再考する。 X-LLMのための高精度かつ軽量なKVキャッシュ圧縮フレームワークOScaRを提案する。
  論文  参考訳（メタデータ） (2026-05-19T10:53:03Z)
• Statistical Channel Fingerprint Construction for Massive MIMO: A Unified Tensor Learning Framework [51.39651336043647]
  チャネル指紋(CF)は、IMO通信システムにおけるチャネル状態情報の取得を容易にする重要な手段であると考えられている。 統計的CSI(sCSI)を各電位で保存する新しいタイプのCFを提案し,これを統計的CF(sCF)と呼ぶ。
  論文  参考訳（メタデータ） (2026-04-30T08:28:45Z)
• SRNeRV: A Scale-wise Recursive Framework for Neural Video Representation [27.0821196150039]
  Inlicit Neural Representations (INR) はビデオ表現と圧縮のための有望なパラダイムとして登場した。 本稿では,この階層化設計をパラメータ効率のよい共有アーキテクチャに置き換える,新しいスケールワイド再帰的フレームワークSRNeRVを提案する。 SRNeRV は,特にINR フレンドリーなシナリオにおいて,大幅な速度歪み性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-09T10:56:55Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• ReQuestNet: A Foundational Learning model for Channel Estimation [10.657960540744286]
  本稿では,5G以降におけるチャネル推定(CE)のための新しいニューラルネットワーク,Recurrent Equivariant UERS Estimation Network(ReQuestNet)を提案する。 無線通信システムにおいて、リソースブロックの可変数(RB)、送信層の動的数、物理的リソースブロックグループ(PRG)バンドルサイズ(BS)、復調参照信号(DMRS)パターンを単一統一モデルで処理し、CEパイプラインを劇的に単純化するなど、いくつかの実践的な考察を取り入れている。
  論文  参考訳（メタデータ） (2025-08-12T09:44:47Z)
• Flexible Coded Distributed Convolution Computing for Enhanced Straggler Resilience and Numerical Stability in Distributed CNNs [32.30002131843406]
  本稿では,Flexible Coded Distributed Convolution Computingフレームワークを紹介する。 分散CNNにおけるストラグラーのレジリエンスと数値安定性を向上させる。 実験的な結果は、様々なCNNアーキテクチャにおける計算効率、ストラグラーレジリエンス、スケーラビリティにおけるフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-11-03T14:05:29Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Regret Bounds for Noise-Free Cascaded Kernelized Bandits [45.551266812295005]
  RKHS関数クラスを用いたノイズフリーグレーボックス設定において,関数ネットワークの最適化を検討する。 本研究では,(1)チェーン:スカラー値関数のカスケード,(2)マルチアウトプットチェーン:ベクトル値関数のカスケード,(3)フィードフォワードネットワーク:完全に接続されたスカラー値関数のフィードフォワードネットワークの3種類の構造について検討する。
  論文  参考訳（メタデータ） (2022-11-10T09:12:55Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)

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。