論文の概要: Trusted Model Environment for Private Semantic Computations

• arxiv url: http://arxiv.org/abs/2609.30032v1
• Date: Thu, 24 Sep 2026 16:03:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.07774
• Title: Trusted Model Environment for Private Semantic Computations
• Title（参考訳）: プライベートセマンティック計算のための信頼されたモデル環境
• Abstract要約: プライベートセマンティックプリミティブは、構造化データと非構造化データをプライベートに計算することを可能にする。 標準的な暗号プリミティブはそのような計算をすぐにはサポートしない。 本稿では,信頼された実行環境内で生成モデルを実行する最初のプリミティブである信頼モデル環境(TME)を紹介する。
• 参考スコア（独自算出の注目度）: 4.74925997655434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A private semantic computation primitive enables parties to privately compute over structured and unstructured data that requires understanding its semantics, context, and relationships. Standard cryptographic primitives (e.g., multiparty computation) do not readily support such computation. Generative models are well suited for such tasks but typically process data in plaintext, while cryptographic private inference remains inefficient and difficult to scale. Thus, we need a new primitive for private semantic computation. We introduce trusted model environments (TME), the first such primitive that executes generative models inside trusted execution environments (TEEs) while controlling output leakage. TME is designed to be (i) effective (correctly performs the semantic task); (ii) confidential (protects computation and sensitive inputs); (iii) utility-preserving (retains utility on other tasks); (iv) verifiable (provides tamper-resistant evidence of the computations); (v) efficient (incurs low overhead compared to baseline model computations); and (vi) scalable (supports multiple participating parties). Effectiveness follows from the generative models, while TEEs provide confidential computation. For confidentiality of sensitive inputs, we combine adversarial training to resist verbatim leakage with an information flow control module to suppress semantic leakage. For verifiability, we introduce novel attestations that let parties verify TME operations on their data and queries, along with optimizations (e.g., batching) for efficiency and scalability. We design and evaluate the proof-of-concept for TME across three applications, showing that it meets all the requirements.
• Abstract（参考訳）: プライベートセマンティック計算プリミティブは、そのセマンティックス、コンテキスト、関係を理解する必要がある構造化データと非構造化データに対してプライベートに計算することができる。 標準的な暗号プリミティブ(例えば、マルチパーティ計算)は、そのような計算をすぐにはサポートしない。 生成モデルはそのようなタスクには適しているが、通常、平文でデータを処理する。 したがって、プライベートなセマンティック計算のための新しいプリミティブが必要である。 本稿では,信頼された実行環境 (TEE) 内で生成モデルを実行する最初のプリミティブである信頼モデル環境 (TME) を紹介する。 TMEは、そのように設計されている (i)有効(正しく意味的タスクを行う) 二 秘密(計算及び機密入力を保護すること。) 三 実用性保存(他の業務における実用性を保持すること。) (四)検証可能(計算の改ざんに抵抗する証拠を提示する。) (v)効率(ベースラインモデル計算と比較してオーバーヘッドが低い)、及び (vi)スケーラブル(複数の参加者を支援する)。 TEEは機密計算を提供するが、有効性は生成モデルから従う。 センシティブな入力の機密性については、対人訓練と対人的リークを抑制する情報フロー制御モジュールを組み合わせ、意味的リークを抑制する。 検証容易性については、サードパーティがデータやクエリ上でのTME操作を検証できるようにし、効率とスケーラビリティの最適化(バッチ化など)も行います。 3つのアプリケーションにまたがって、TMEの概念実証を設計し、評価し、すべての要件を満たすことを示す。

関連論文リスト

• AMTFV: Agentic Mathematical Tool-Flow Verification for LLM Self-Correction [58.27846292449026]
  大規模言語モデルは強力な数学的問題解決能力を示してきたが、その答えを確実に検証することは依然として困難である。 本稿では,具体的な実行から検証モデリングを分離するAMTFV(Agentic Mathematical Tool-Flow Verification)を提案する。 AMTFVをDeepSeek, GPT, Geminiの7つのモデル構成を持つ難解な数学的推論データセットで評価した。
  論文  参考訳（メタデータ） (2026-07-31T15:42:00Z)
• Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
  データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。 本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
  論文  参考訳（メタデータ） (2026-06-15T16:54:02Z)
• Defense Against Prompt Inversion Attacks: An Information-Theoretic Approach for LLM Collaborative Inference [5.218013327284395]
  協調的なエッジクラウド推論により、リソース制約のあるデバイスは、クラウドサーバに部分計算をオフロードすることで、大きな言語モデル(LLM)を活用することができる。 中間的アクティベーションの送信は、インバージョンアタックを誘導する機密性の高いユーザープロンプトを公開する。 協調LLM推論におけるインバージョンを迅速に行うための情報理論防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T02:36:26Z)
• Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption [40.16348991707144]
  同型暗号化は、復号化せずに暗号化されたデータの計算を可能にし、機械学習パイプライン全体の機密性を保存する。 本稿では、精度と効率を保ちながら、暗号化データ上でMLモデルをトレーニングするという課題に対処する。 K-Nearest Neighbors(KNN)と線形回帰モデルを暗号化データ上でトレーニングし、基本的マルチレイヤパーセプトロン(MLP)アーキテクチャの暗号化推論を評価する。
  論文  参考訳（メタデータ） (2026-04-25T10:50:41Z)
• IMMACULATE: A Practical LLM Auditing Framework via Verifiable Computation [49.796717294455796]
  経済的なモチベーションのある逸脱を検出するための実践的な監査フレームワークIMMACULATEを提案する。 IMMACULATEは、検証可能な計算を用いて少数のリクエストを選択的に監査し、暗号オーバーヘッドを償却しながら強力な検出保証を達成する。
  論文  参考訳（メタデータ） (2026-02-26T07:21:02Z)
• Private PoEtry: Private In-Context Learning via Product of Experts [58.496468062236225]
  In-context Learning (ICL) は、大規模言語モデルが推論時に少数の例だけで新しいタスクに適応できるようにする。 ICLに対する既存の差分プライバシーアプローチは、計算コストが高いか、オーバーサンプリング、合成データ生成、あるいは不要なしきい値設定に依存している。 我々は、Product-of-Expertsモデルのレンズを通してプライベートICLを再構成し、理論的に基盤付けられたフレームワークを与え、アルゴリズムを自明に並列化することができる。 本手法は,従来のDP-ICL法と比較して平均30ポイント以上精度が向上し,高いプライバシー保証を維持した。
  論文  参考訳（メタデータ） (2026-02-04T19:56:24Z)
• Accelerate Speculative Decoding with Sparse Computation in Verification [49.74839681322316]
  投機的復号化は、複数のドラフトトークンを並列に検証することにより、自動回帰言語モデル推論を加速する。 既存のスペーシフィケーション方式は主にトークン・バイ・トーケンの自己回帰復号化のために設計されている。 そこで本研究では,注目度,FFN,MoEを両立させるスパース検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-26T07:53:41Z)
• Encrypted Large Model Inference: The Equivariant Encryption Paradigm [18.547945807599543]
  Equivariant Encryption(EE)は,暗号化されたデータに対して,性能上のオーバーヘッドがゼロに近いセキュアな"盲目"推論を可能にするように設計された,新しいパラダイムである。 計算グラフ全体を暗号化する完全同型アプローチとは異なり、EEはニューラルネットワーク層内の重要な内部表現を選択的に難読化する。 EEは高い忠実性とスループットを維持しており、ロバストなデータの機密性と、現代的な大規模モデル推論の厳密な効率要件の間のギャップを効果的に埋めています。
  論文  参考訳（メタデータ） (2025-02-03T03:05:20Z)
• Trusted Machine Learning Models Unlock Private Inference for Problems Currently Infeasible with Cryptography [30.57370996703948]
  有能な機械学習モデルは信頼できるサードパーティの役割を果たすことができると我々は主張する。 このアプローチは、プライバシと計算効率のバランスを達成することを目的としている。 単純な古典的暗号問題でさえ、すでにTCMEで解決できることが示されている。
  論文  参考訳（メタデータ） (2025-01-15T17:28:53Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)
• SOTERIA: In Search of Efficient Neural Networks for Private Inference [15.731520890265545]
  マシンラーニング・アズ・ア・サービス(ML-as-a-service)は、クラウドサーバがトレーニングされたモデルをホストし、ユーザに対して予測(推論)サービスを提供することで人気が高まっている。 この設定では、ユーザの入力クエリと、サーバのモデルパラメータの両方の機密性を保護することが目的である。 本稿では,個人推論に効率的に設計できるモデルアーキテクチャを構築するための訓練手法であるSOTERIAを提案する。
  論文  参考訳（メタデータ） (2020-07-25T13:53:02Z)

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。