論文の概要: Gecko: Fast Private Inference via Secure Public Encoder Offloading

• arxiv url: http://arxiv.org/abs/2608.02378v1
• Date: Mon, 03 Aug 2026 15:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.623656
• Title: Gecko: Fast Private Inference via Secure Public Encoder Offloading
• Title（参考訳）: Gecko: セキュアな公開エンコーダのオフロードによる高速なプライベート推論
• Abstract要約: プライベート推論は、ニューラルネットワーク推論中にユーザ入力とサーバモデルの両方を保護する。 これは、保護境界の外で、事前訓練されたバックボーンのような公開エンコーダを実行するための最近の取り組みを動機付けている。 我々は、コンパクトな予測器を維持しながら、この追加リスクを制限するように設計されたGeckoを提案する。
• 参考スコア（独自算出の注目度）: 16.22205006647353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Private inference protects both user inputs and server models during neural network inference, but existing solutions remain too slow for practical deployment. This motivates recent efforts to run a public encoder, such as a pretrained backbone, outside the protection boundary and evaluate only a small private predictor cryptographically. While appealing for efficiency, this design is not inherently secure: naively offloading a public encoder may create a feature-space shortcut: an extraction adversary may learn the remaining private predictor's feature-to-output mapping more easily than the original model's input-to-output behavior. We present Gecko, designed to limit this additional risk while retaining a compact encrypted predictor. We leverage a frozen backbone that contributes hierarchical features, fixed Fastfood projections that compress them, and private feature gating that prepares them for prediction. We formalize ideal independence and information-preservation conditions as design guidance, then separately evaluate component-reuse extraction attacks. Across image and audio tasks, Gecko achieves 0.4-2.2 second inference with at most 10.8 MB communication and accuracy comparable to transfer-learning baselines. Under the evaluated attacks, reusing the offloaded public encoder provides no significant advantage to model-extraction adversaries. Source code and a demo are available at https://github.com/CassiniHuy/gecko-infer.
• Abstract（参考訳）: プライベート推論は、ニューラルネットワーク推論中にユーザ入力とサーバモデルの両方を保護するが、既存のソリューションは実用的デプロイメントには遅すぎる。 このことは、保護境界の外にある事前訓練されたバックボーンのような公開エンコーダを実行し、小さなプライベートな予測器のみを暗号的に評価する最近の取り組みを動機付けている。 パブリックエンコーダを過度にオフロードすると、特徴空間のショートカットが生成される: 抽出相手は、元のモデルの入力から出力までの動作よりも、残りのプライベートな予測子の特徴から出力までのマッピングを学習することができる。 我々は、コンパクトな暗号化予測器を維持しながら、この追加リスクを制限するように設計されたGeckoを提案する。 階層的な特徴に寄与する冷凍バックボーン、それらを圧縮する固定されたFastfoodプロジェクション、予測に備えるプライベート機能ゲーティングを活用しています。 設計指針として、理想的な独立性と情報保存条件を定式化し、部品再利用攻撃を別々に評価する。 画像とオーディオのタスク全体で、Geckoは最大10.8MBの通信と精度で0.4-2.2秒の推論を達成している。 評価された攻撃の下では、オフロードされた公開エンコーダを再利用することは、モデル抽出敵に対して大きな利点を与えない。 ソースコードとデモはhttps://github.com/CassiniHuy/gecko-infer.comで公開されている。

関連論文リスト

• DEFUSE: Generalizable Backdoor Defense for Self-Supervised Encoders with Generative Priors [40.98521902229488]
  自己教師付き学習(SSL)エンコーダは、バックドア攻撃に対して脆弱である。 DEFUSEはSSLエンコーダの一般的なバックドア検出フレームワークである。
  論文  参考訳（メタデータ） (2026-08-26T14:24:05Z)
• Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy [61.848691894557426]
  ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。 本稿では,頑健なスパースベクトル平均推定問題に対処する。 本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
  論文  参考訳（メタデータ） (2026-07-30T07:55:09Z)
• Distributed Deep Variational Approach for Privacy-preserving Data Release [12.868309078964591]
  フェデレーション学習により、分散ノードは生データを交換することなく、共有モデルをトレーニングできる。 プライバシーに敏感な医療センサ、IoTデバイスでは、データをローカルに保つことで提供される保護が不完全である。 生データを低次元の表現にマッピングする衛生化エンコーダを学習する,連続的な高次元入力のためのEmphGaussian Privacy Protectorフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T18:41:37Z)
• SpecSteer: Synergizing Local Context and Global Reasoning for Efficient Personalized Generation [79.75755802397312]
  SpecSteerは非対称な協調推論フレームワークで、デバイス上のプライベートコンテキストとクラウドスケールの推論を相乗化する。 実験により、SpecSteerは推論のギャップを埋め、パーソナライズされた生成性能を向上することを示した。
  論文  参考訳（メタデータ） (2026-03-17T07:51:29Z)
• Stop Tracking Me! Proactive Defense Against Attribute Inference Attack in LLMs [61.15237978606501]
  大規模言語モデルは、ユーザ生成テキストからプライベートなユーザー属性を推測することができる。 既存の匿名化ベースの防御は粗く、プライバシーを優先する要素を匿名化する際に単語レベルの精度が欠如している。 細粒度匿名化(TRACE)と推論防止最適化(RPS)を組み合わせた統合防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T03:37:50Z)
• Downstream-agnostic Adversarial Examples [66.8606539786026]
  AdvEncoderは、事前訓練されたエンコーダに基づいて、ダウンストリームに依存しない普遍的敵の例を生成するための最初のフレームワークである。 従来の逆数例とは異なり、事前訓練されたエンコーダは分類ラベルではなく特徴ベクトルを出力するのみである。 その結果、攻撃者はトレーニング済みのデータセットやダウンストリームのデータセットを知らずに、ダウンストリームのタスクを攻撃できることがわかった。
  論文  参考訳（メタデータ） (2023-07-23T10:16:47Z)
• When approximate design for fast homomorphic computation provides differential privacy guarantees [0.08399688944263842]
  差分プライバシー(DP)と暗号プリミティブは、プライバシー攻撃に対する一般的な対策である。 本稿では,argmax演算子に対する確率近似アルゴリズム ShiELD を設計する。 たとえShielDが他のアプリケーションを持つことができたとしても、私たちは1つの設定に集中し、SPEEDコラボレーティブトレーニングフレームワークにシームレスに統合します。
  論文  参考訳（メタデータ） (2023-04-06T09:38:01Z)
• 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)
• On the Importance of Encrypting Deep Features [15.340540198612823]
  ユーザデータの特徴ベクトルが知られ、推論のためのブラックボックスAPIが提供される。 個人再識別における最先端モデルの実験を行い,2つの攻撃シナリオ(補助属性の認識とユーザデータの再構築)について検討した。 その結果、厳しい制約下であっても、敵は機密情報を推測することに成功した。
  論文  参考訳（メタデータ） (2021-08-16T15:22:33Z)
• Is Private Learning Possible with Instance Encoding? [68.84324434746765]
  本研究では,インスタンスエンコーディング機構を用いて,非プライベートな学習アルゴリズムをプライベートにすることができるかを検討する。 2つの攻撃モデルを提供することで、インスタンスエンコーディングの概念とプライバシの両方を形式化する。
  論文  参考訳（メタデータ） (2020-11-10T18:55:20Z)

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。