論文の概要: Memory-Efficient Designs for Word-Wise Universal Fully Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2609.04769v1
- Date: Fri, 04 Sep 2026 06:03:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.927497
- Title: Memory-Efficient Designs for Word-Wise Universal Fully Homomorphic Encryption
- Title（参考訳）: ワードワイズ全同型暗号化のためのメモリ効率の良い設計法
- Abstract要約: ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、分析を通してプライバシを保存する。
メモリボトルネックを軽減するFHE最適化フレームワークであるBXTを提案する。
CNNの推測では、BXT-CSO50構成は100x GPUベースラインで最大3.8$times$のスピードアップを実現し、50%比較精度で1%未満の精度損失を達成している。
- 参考スコア（独自算出の注目度）: 13.384404337894575
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fully Homomorphic Encryption (FHE) enables computation on encrypted data, preserving privacy throughout analysis. While its privacy is very strong, FHE is much slower to execute than the original computation. In particular, due to the recent success in accelerating its compute, the performance bottleneck shifts to the memory, especially considering that FHE magnifies the data size by orders of magnitude, resulting in a low arithmetic intensity. We propose BXT, an FHE optimization framework that mitigates the memory bottleneck through four techniques: (1) ciphertext compression, which regenerates ciphertext components from seeds during execution; (2) ciphertext serialization, which packs coefficients as bit arrays and unpacks them during L2-to-L1 transfer; (3) delayed seed generation, which defers PRNG-heavy offline work across aggregated operations; and (4) ciphertext digit pruning guided by fault-aware training tailored for Universal FHE. On CNN inference, the BXT-CSO50 configuration effectively achieves up to 3.8$\times$ speedup over the 100x GPU baseline with less than 1% accuracy loss at 50% comparison precision.
- Abstract（参考訳）: FHE(Fully Homomorphic Encryption)は、暗号化されたデータの計算を可能にし、分析を通してプライバシを保存する。
プライバシは非常に強いが、FHEは元の計算よりもはるかに遅く実行される。
特に、最近の計算の高速化の成功により、パフォーマンスボトルネックはメモリにシフトし、特にFHEはデータサイズを桁違いに拡大し、演算強度は低下する。
我々は,(1)実行中のシードから暗号文コンポーネントを再生する暗号文圧縮,(2)L2-to-L1転送中の係数をビット配列としてパッケージ化してアンパックする暗号文シリアライゼーション,(3)集約された操作間でPRNG重大なオフライン処理を無効にする遅延シード生成,(4)Universal FHEに適したフォールト・アウェア・トレーニングによって誘導される暗号文桁プルーニングの4つの手法により,メモリボトルネックを緩和するFHE最適化フレームワークであるBXTを提案する。
CNN推論では、BXT-CSO50構成は100x GPUベースラインを最大3.8$\times$スピードアップし、50%比較精度で1%未満の精度損失を達成している。
関連論文リスト
- PixCrypt: Fast Fine-Grained FHE with Range-Aware Caching [14.589534842545937]
PixCryptは、キャッシングに基づく、微細な完全同型暗号の高速化機構である。
5つの実世界のピクセルレベルの画像処理タスクの実験は、PixCryptがプライバシ保護分析のためのFHEの実用性を大幅に改善していることを示している。
論文 参考訳（メタデータ） (2026-09-12T20:37:31Z) - HEAT: Faster Fully Homomorphic Inference via Approximations-Weights Co-Adaptation [56.14416807766864]
同型暗号化により、サーバは暗号化されたユーザープロンプト上で言語モデルを直接実行することができる。
既存のアプローチでは、各サイトのエラー許容度を調整するのではなく、モデル全体のイテレーションカウントを均一に修正する。
非線形反復回数を学習可能にする微調整法であるHAT(Hymomorphic Encryption-Aware Training)を導入する。
論文 参考訳（メタデータ） (2026-09-01T18:02:02Z) - Faster Than Flash: Exploiting Attention Sparsity for Efficient Long-Context Decoding [51.48425605758328]
我々は,Faster Flash Decoding (FFD) という,長文デコーディングにおいてメモリ壁を壊すように設計されたハードウェア・アルゴリズムの共同設計フレームワークを提示する。
FFDはセレクタとコンピュータを完全に融合したカーネルに統合し、外部メタデータのインデックスをコンテンツ認識スキャンに置き換える。
最大11.6倍のカーネルレベルのスピードアップと256Kコンテキスト長のスケーリングを実現し、2.37倍のスループット向上を実現している。
論文 参考訳（メタデータ） (2026-08-31T15:13:20Z) - FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding [26.667496203770074]
ホモモルフィック暗号化(FHE)は、プライバシを保存する機械学習を可能にするが、極端な計算とメモリオーバーヘッドを引き起こす。
FEnc2はCKKSベースのプライベート畳み込みニューラルネットワーク推論のための統一的で原則化されたフラグメントベースの符号化フレームワークである。
これにより、NTTやキーウィッチといったプリミティブレベルの最適化によって、ハードウェア上での暗号文のカウントとワークロードのプレッシャーを低減することができる。
論文 参考訳（メタデータ） (2026-06-15T07:55:55Z) - FedBit: Accelerating Privacy-Preserving Federated Learning via Bit-Interleaved Packing and Cross-Layer Co-Design [2.255961793913651]
完全同型暗号化(FHE)を備えたフェデレートラーニング(FL)は、モデルアグリゲーション中にデータプライバシを効果的に保護する。
FedBit は Brakerski-Fan-Vercauteren (BFV) スキームのためのハードウェア/ソフトウェアの共同設計フレームワークである。
FedBitは、ビットインターリーブデータパッキングを使用して、複数のモデルパラメータを単一の暗号係数に埋め込む。
論文 参考訳（メタデータ） (2025-09-27T03:58:16Z) - Decoder-Hybrid-Decoder Architecture for Efficient Reasoning with Long Generation [108.0657508755532]
我々は、レイヤ間の効率的なメモリ共有のためのシンプルで効果的なメカニズムであるGated Memory Unit(GMU)を紹介した。
これは、GMUを組み込んでSambaベースのセルフデコーダからメモリ読み出し状態を共有するデコーダ・ハイブリッド・デコーダアーキテクチャである。
論文 参考訳（メタデータ） (2025-07-09T07:27:00Z) - CIPHERMATCH: Accelerating Homomorphic Encryption-Based String Matching via Memory-Efficient Data Packing and In-Flash Processing [8.114331115730021]
ホモモルフィック暗号化(HE)は、元のデータを公開せずに暗号化されたデータのセキュアな計算を可能にする。
多くのクラウドコンピューティングアプリケーション(例えば、DNA読み取りマッピング、バイオメトリックマッチング、Web検索)は、正確な文字列マッチングをキー操作として使っている。
ホモモルフィック暗号を用いた従来の文字列マッチングアルゴリズムは、高い計算遅延によって制限される。
論文 参考訳（メタデータ） (2025-03-12T00:25:58Z) - Cut Your Losses in Large-Vocabulary Language Models [102.6981011879656]
我々は,全トークンのロジットをグローバルメモリに実体化することなく,クロスエントロピー損失を計算する手法であるカットクロスエントロピー(CCE)を提案する。
CCEはロスのメモリフットプリントを24GBから1MBに減らし、ヘッドのトレーニング時間のメモリ消費を28GBから1GBに短縮する。
論文 参考訳（メタデータ） (2024-11-13T20:30:15Z) - Cheddar: A Swift Fully Homomorphic Encryption Library Designed for GPU Architectures [2.613335121517245]
完全なホモモルフィック暗号化(FHE)は、暗号化されたデータに対するセキュアな計算を可能にすることによって、クラウドコンピューティングをプライバシの懸念から解放する。
我々は、GPUのための高性能なFHEライブラリであるCheddarを紹介し、従来のGPU実装よりも大幅に高速化した。
論文 参考訳（メタデータ） (2024-07-17T23:49:18Z) - BTR: Binary Token Representations for Efficient Retrieval Augmented Language Models [77.0501668780182]
Retrieval augmentationは、大規模言語モデルにおける多くの重要な問題に対処する。
検索拡張言語モデル(LM)の実行は遅く、大量の検索されたテキストを処理するため、スケールが困難である。
1ビットベクトルを用いて各トークンを前処理するバイナリトークン表現(BTR)を導入する。
論文 参考訳（メタデータ） (2023-10-02T16:48:47Z) - SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。
SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。
実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
論文 参考訳（メタデータ） (2023-09-27T05:19:32Z) - FFConv: Fast Factorized Neural Network Inference on Encrypted Data [9.868787266501036]
本稿では、畳み込みと暗号文のパッキングを統一するFFConvと呼ばれる低ランク分解法を提案する。
先行技術であるLoLaとFalconと比較して,提案手法は,それぞれ最大87%,12%の遅延を減少させる。
論文 参考訳（メタデータ） (2021-02-06T03:10:13Z)
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。