論文の概要: PRICE: Privacy-Preserving Image Classification in Mobile Edge-Cloud Computing with Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2610.25286v1
- Date: Sun, 18 Oct 2026 14:06:17 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:29:39.547915
- Title: PRICE: Privacy-Preserving Image Classification in Mobile Edge-Cloud Computing with Homomorphic Encryption
- Title（参考訳）: PRICE: 均一暗号化によるモバイルエッジクラウドコンピューティングにおけるプライバシ保護イメージ分類
- Abstract要約: ホモモルフィック暗号化(HE)は、暗号化されたデータに対する計算を可能にする。
エンドツーエンドの推論パイプラインは、遅延と計算オーバーヘッドを禁止します。
Priceは、信頼できるエッジと信頼できないクラウドの間に、ディープニューラルネットワーク推論を分割する3層エッジクラウドアーキテクチャである。
- 参考スコア（独自算出の注目度）: 24.28020725943814
- License:
- Abstract: Cloud-assisted image classification enables many mobile AI applications, but transmitting raw images to the cloud raises significant privacy concerns. Homomorphic encryption (HE) allows computation over encrypted data; however, existing end-to-end HE-based inference pipelines incur prohibitive latency and computational overhead, limiting their feasibility for latency-sensitive mobile systems. This paper addresses how to enable efficient encrypted image classification in mobile edge-cloud environments without sacrificing accuracy. We propose PRICE, a three-tier edge-cloud architecture that partitions deep neural network inference between a trusted edge and an untrusted cloud. The edge performs lightweight feature extraction in plaintext, while only compact embeddings are encrypted using the Cheon-Kim-Kim-Song (CKKS) scheme and offloaded to the cloud for encrypted final-layer inference. This design avoids homomorphic evaluation of deep backbone layers, significantly reducing computation depth, ciphertext size, and end-to-end latency. To further improve efficiency, we develop RowHyDiag, a row-packed hybrid diagonal encoding with hoisted-rotation-aware encrypted matrix-vector computation, which minimizes rotation operations and improves slot utilization. Extensive experiments on real devices across five datasets demonstrate that, under the evaluated 128-bit-security configurations, RowHyDiag achieves up to 31.8$\times$ faster cloud inference, 85.3$\times$ fewer rotations, and 83.0$\times$ lower setup payload than the conventional Halevi-Shoup diagonal method. RowHyDiag also outperforms the PEGASUS linear-transformation baseline, providing 1.1-4.5$\times$ faster cloud inference and 1.2-3.4$\times$ lower setup payload. The results show that PRICE enables deployment-ready, low-latency encrypted inference for mobile edge-cloud systems under a trusted-edge threat model.
- Abstract（参考訳）: クラウド支援画像分類は、多くのモバイルAIアプリケーションを可能にするが、生画像をクラウドに送信することは、プライバシー上の重大な懸念を引き起こす。
ホモモルフィック暗号化(HE)は、暗号化されたデータに対する計算を可能にするが、既存のエンドツーエンドのHEベースの推論パイプラインは、遅延と計算オーバーヘッドを禁止し、レイテンシに敏感なモバイルシステムの実現可能性を制限する。
本稿では,モバイルエッジクラウド環境において,精度を犠牲にすることなく効率的な画像分類を実現する方法について述べる。
信頼できるエッジと信頼できないクラウドの間にディープニューラルネットワーク推論を分割する3層エッジクラウドアーキテクチャであるPRICEを提案する。
エッジは平文で軽量な特徴抽出を行うが、Cheon-Kim-Kim-Song (CKKS) スキームを用いてコンパクトな埋め込みのみを暗号化し、暗号化された最終層推論のためにクラウドにオフロードする。
この設計は、深いバックボーン層の同型評価を回避し、計算深度、暗号文サイズ、エンドツーエンドのレイテンシを大幅に低減する。
さらに効率を向上するため,ローパック型ハイブリッド対角符号化であるRowHyDiagを開発した。
評価された128ビットのセキュリティ設定の下で、RowHyDiagは31.8$\times$高速クラウド推論、85.3$\times$ローテーションの削減、そして83.0$\times$従来のHalevi-Shoup対角法よりも低いセットアップペイロードを実現している。
RowHyDiag は PEGASUS の線形変換ベースラインを上回り、1.1-4.5$\times$高速クラウド推論と1.2-3.4$\times$低セットアップペイロードを提供する。
その結果,PRICEは信頼されたエッジ脅威モデルの下で,モバイルエッジクラウドシステムに対して,デプロイ可能な低レイテンシ暗号化推論を可能にすることがわかった。
関連論文リスト
- Efficient and Privacy Aware Edge Cloud Collaborative Inference for Large Language Models [7.51065715735168]
本稿では,認証KVキャッシュ上に構築された,プライバシ中心のエッジクラウド協調LLM推論フレームワークを提案する。
評価の結果、このフレームワークはトーケン毎のレイテンシを最大46.1%削減し、ダウンリンクペイロードを最大67.4%削減している。
論文 参考訳（メタデータ） (2026-07-14T01:17:17Z) - Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。
私たちのフレームワークは2つの軽量モジュールで構成されています。
実験では、リアルタイムに競争力のある圧縮性能を示す。
論文 参考訳（メタデータ） (2026-03-26T10:02:07Z) - Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption [0.34953784594970894]
Safhireはハイブリッド推論フレームワークで、サーバ上で暗号化されたリニアレイヤを実行する。
正確なアクティベーションをサポートし、計算を大幅に削減する。
Orionよりも1.5倍から10.5倍低い推論レイテンシを実現している。
論文 参考訳（メタデータ） (2025-09-01T08:43:46Z) - 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) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - A Joint Energy and Latency Framework for Transfer Learning over 5G
Industrial Edge Networks [53.26338041079138]
5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。
特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。
TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
論文 参考訳（メタデータ） (2021-04-19T15:13:16Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。