論文の概要: On the Sensitivity to Errors in Homomorphic Computing: Single Transient Bit-flip Client-side Error Characterization

• arxiv url: http://arxiv.org/abs/2608.11155v1
• Date: Tue, 11 Aug 2026 17:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.132239
• Title: On the Sensitivity to Errors in Homomorphic Computing: Single Transient Bit-flip Client-side Error Characterization
• Title（参考訳）: ホモモルフィックコンピューティングにおけるエラーに対する感度について:単一過渡ビットフリップクライアント側エラー評価
• Abstract要約: ホモモルフィック暗号化(HE)は、復号化せずに暗号化されたデータの計算を可能にし、医療、金融、政府などの機密分野におけるプライバシ保護計算の鍵となるプリミティブである。 HEのビットレベル障害に対する感度を解析し、AIおよび機械学習ワークロードにおける近似算術に広く用いられているCKKSスキームに着目した。 我々は,同型乗算を実用的なHEパイプラインにおける最もエラーに敏感な演算として認識し,障害の伝播と増幅を特徴付けるとともに,重大な脆弱性を明らかにし,よりレジリエントなHEデプロイメントの必要性を動機付ける。
• 参考スコア（独自算出の注目度）: 1.1187115031487584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Homomorphic Encryption (HE) enables computation on encrypted data without decryption and is a key primitive for privacy-preserving computation in sensitive domains such as healthcare, finance, and government. Its security relies on noise injection, which introduces intrinsic error sensitivity and raises concerns about the fault tolerance of HE systems, as hardware- and software-induced faults can evade traditional detection mechanisms and lead to silent data corruption. In this work, we analyze the sensitivity of HE to bit-level faults, focusing on the CKKS (Cheon--Kim--Kim--Song) scheme widely used for approximate arithmetic in AI and machine learning workloads. We identify homomorphic multiplication as the most error-sensitive operation in practical HE pipelines and characterize how faults propagate and amplify through it, exposing a critical robustness vulnerability and motivating the need for more resilient HE deployments.
• Abstract（参考訳）: ホモモルフィック暗号化(HE)は、復号化せずに暗号化されたデータの計算を可能にし、医療、金融、政府などの機密分野におけるプライバシ保護計算の鍵となるプリミティブである。 そのセキュリティはノイズインジェクションに依存しており、本質的なエラー感度を導入し、ハードウェアやソフトウェアが引き起こした障害が従来の検出メカニズムを回避し、サイレントなデータ破損につながるため、HEシステムのフォールトトレランスに対する懸念を高める。 本研究では, HEのビットレベルの欠陥に対する感度を解析し, AIおよび機械学習ワークロードにおける近似算術に広く用いられているCKKS(Cheon--Kim--Kim-Song)方式に着目した。 我々は,同型乗算を実用的なHEパイプラインにおける最もエラーに敏感な演算として認識し,障害の伝播と増幅を特徴付けるとともに,重大なロバスト性脆弱性を露呈し,よりレジリエントなHEデプロイメントの必要性を動機付けている。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• On the Vulnerability of FHE Computation to Silent Data Corruption [14.337553732980814]
  FHE(Fully Homomorphic Encryption)は、プライバシ保護クラウドサービスの有望な基盤として浮上している。 実ハードウェア上でのFHE計算はどの程度信頼性が高いか? FHE暗号文計算におけるSDCの包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-24T14:18:05Z)
• CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
  CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。 最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。 提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-06T15:11:58Z)
• Reliability Analysis of Fully Homomorphic Encryption Systems Under Memory Faults [4.342622051185079]
  ホモモルフィック暗号化(英: Homomorphic Encryption、FHE)は、暗号のパラダイムシフトであり、暗号化されたデータを直接計算し、プライバシクリティカルな計算をアンロックすることを可能にする。 本稿では,FHEがメモリ障害の存在下でどのように振る舞うかを,個々の操作やアプリケーションレベルで,異なるFHEスキームに対してより深く理解することを目的とする。
  論文  参考訳（メタデータ） (2025-09-25T02:40:16Z)
• Characterizing the Sensitivity to Individual Bit Flips in Client-Side Operations of the CKKS Scheme [0.4054550707324753]
  ホモモルフィック暗号化(HE)は、復号化せずに暗号化されたデータの計算を可能にし、信頼できない環境でのプライバシ保護計算の基盤となる。 HEは、セキュアな機械学習や機密データ分析といったセンシティブなアプリケーションの採用が増加し、エラーに対する堅牢性が重要になると考えている。
  論文  参考訳（メタデータ） (2025-07-28T14:42:09Z)
• Understanding the Error Sensitivity of Privacy-Aware Computing [0.5494759889025727]
  ホモモルフィック暗号化(HE)は、復号化せずに暗号化データのセキュアな計算を可能にする。 本研究では, HEアプリケーションのビット断層に対する感度に関する詳細な議論を動機付け, CKKS(Cheon-Kim-Kim-Song)の詳細な誤差解析を行った。 CKKSは、AIおよび機械学習アプリケーションのための固定点演算をサポートするため、最も人気のあるHEスキームの1つである。
  論文  参考訳（メタデータ） (2025-06-09T17:27:40Z)
• Fooling the Decoder: An Adversarial Attack on Quantum Error Correction [49.48516314472825]
  本研究では,基本的なRL曲面符号デコーダ(DeepQ)を目標とし,量子誤り訂正に対する最初の逆攻撃を生成する。 メモリ実験における論理量子ビット寿命を最大5桁まで短縮する攻撃を実証する。 この攻撃は、機械学習ベースのQECの感受性を強調し、堅牢なQEC手法に関するさらなる研究の重要性を強調している。
  論文  参考訳（メタデータ） (2025-04-28T10:10:05Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors [0.9831489366502302]
  均質な暗号化スキームは、暗号化されたままIoTデータ上での操作の処理と実行を可能にする、有望なソリューションである。 本稿では,IoTデバイスが生成する同型暗号化データを対象とした,新たなプライバシー保護型異常検出ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-03-14T12:11:25Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。