論文の概要: Encrypt What Matters: When Selective Homomorphic Inference Is Efficient

• arxiv url: http://arxiv.org/abs/2609.09357v1
• Date: Tue, 08 Sep 2026 18:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.789959
• Title: Encrypt What Matters: When Selective Homomorphic Inference Is Efficient
• Title（参考訳）: 重要なことを暗号化する: 選択的同型推論が効率的であるとき
• Abstract要約: 準同型暗号化(FHE)は、サーバに公開することなく、プライベートデータの推論を可能にするが、FHEによる全入力の評価は高価である。 興味のある領域のみを暗号化した、選択的同型推論について検討する。 局所性は選択同型推論の利点を規定する重要なアーキテクチャ特性である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fully homomorphic encryption (FHE) enables inference on private data without revealing it to the server, but evaluating an entire input under FHE is expensive. We study \emph{selective homomorphic inference}, where only a sensitive region of interest (ROI) is encrypted, and computations independent of that region are performed in plaintext. Selective evaluation produces the same output as full FHE on the same model, without retraining. Its efficiency depends on how quickly encrypted dependencies spread through the network. For small encrypted ROIs, locality-preserving architectures can achieve order-of-magnitude homomorphic-evaluation speedups, whereas architectures with early global mixing provide essentially no speedup. These results identify locality as the key architectural property governing the benefit of selective homomorphic inference.
• Abstract（参考訳）: 完全同型暗号化(FHE)は、サーバに公開することなく、プライベートデータの推論を可能にするが、FHEによる全入力の評価は高価である。 興味のある領域(ROI)のみを暗号化し、その領域に依存しない計算を平文で行う「emph{selective homomorphic inference}」について検討する。 選択評価は、再学習することなく、同じモデルでフルFHEと同じ出力を生成する。 その効率性は、暗号化された依存関係がネットワークを介していかに速く広がるかに依存する。 小規模な暗号化ROIでは、局所性保存アーキテクチャはオーダー・オブ・マグニチュード・ホモモルフィック・評価のスピードアップを達成することができるが、初期のグローバル混合アーキテクチャは本質的にスピードアップを提供しない。 これらの結果から、局所性は選択的同型推論の利点を規定する重要なアーキテクチャ上の特性として認識される。

関連論文リスト

• GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG [20.647970767787225]
  しきい値選択に基づくRAGのための非対話型暗号化検索フレームワークを提案する。 我々の方法では、暗号化の下で高価なトップ$ランク付けを行う代わりに、類似性のスコアが予め定義された閾値を超える文書を選択する。 その結果、スケーラブルでセキュアなRAGシステムのための実用的な基盤として、しきい値ベースの選択が強調された。
  論文  参考訳（メタデータ） (2026-07-31T04:44:24Z)
• Tilewise Domain-Separated Selective Encryption for Remote Sensing Imagery under Chosen-Plaintext Attacks [3.4267780523755995]
  本稿では,Tilewise Domain-Separated Selective Encryption (TDS-SE)を提案する。 構造リークは、リニアモデルと軽量畳み込みニューラルネットワークという、2つの再構成ベースの区別器を用いて評価される。 クロスサンプルの一般化は、経験的評価の観点と整合して、設定にまたがって混合的な振る舞いを示す。
  論文  参考訳（メタデータ） (2026-02-27T07:57:31Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
  リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。 既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。 高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:59:16Z)
• What matters for Representation Alignment: Global Information or Spatial Structure? [64.67092609921816]
  表現アライメント(REPA)は、強い事前訓練された視覚エンコーダから中間拡散特徴への表現を蒸留することにより、生成訓練を導く。 本稿では,対象表現のどの側面が生成に重要であるか,そのテクスト・グロバル・リビジョン・セマンティック・情報について検討する。 我々はREPAの標準射影層を単純な畳み込み層に置き換え、外部表現のための空間正規化層を導入する。
  論文  参考訳（メタデータ） (2025-12-11T16:39:53Z)
• Plaintext Structure Vulnerability: Robust Cipher Identification via a Distributional Randomness Fingerprint Feature Extractor [23.713094083283334]
  暗号文バイトからエンドツーエンドを学習しない手法を提案する。 具体的には、暗号文のランダム性特徴を計算するための統計テストのセットに基づいている。 実験結果から,本手法は高い判別性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-11-11T14:29:42Z)
• Cryptanalysis on Lightweight Verifiable Homomorphic Encryption [8.478323897416617]
  Verible Homomorphic Encryption (VHE) は、正則暗号 (HE) と検証計算 (VC) を統合する暗号技術である。 これは、アウトソース計算におけるプライバシと整合性の両方を保証するための重要な技術として機能する。 本稿では,暗号方式の同型性を利用した効率的な攻撃手法を提案する。
  論文  参考訳（メタデータ） (2025-02-18T08:13:10Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• 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)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Feature Completion for Occluded Person Re-Identification [138.5671859358049]
  RFCブロックは、機能空間の隠された領域のセマンティクスを復元することができる。 SRFCは、隠蔽領域の特徴を予測するために、非隠蔽領域からの長距離空間コンテキストを利用する。 TRFCモジュールは、長期の時間的コンテキストをキャプチャして、SRFCの予測を洗練します。
  論文  参考訳（メタデータ） (2021-06-24T02:40:40Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。