論文の概要: Big Secrets Small Shares: Revisiting Secure Multi-Party Computation

• arxiv url: http://arxiv.org/abs/2610.27609v1
• Date: Tue, 20 Oct 2026 04:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.631483
• Title: Big Secrets Small Shares: Revisiting Secure Multi-Party Computation
• Title（参考訳）: ビッグシークレットの小さな株:セキュアなマルチパーティ計算を再検討
• Abstract要約: 多相MPCセットアップにおける通信コストの漸近的削減を提案する。 コンパクト共有と呼ばれるランプ秘密共有方式の新たな変更を導入し、この修正に対応するためのプロトコルを調整した。 拡張度がパーティ数と線形にスケールすると、拡張フィールド要素に対するゲート評価コアの通信オーバーヘッドは、全前処理バッチで償却される。
• 参考スコア（独自算出の注目度）: 15.58375623853839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: At CRYPTO 2007, Damgård and Nielsen introduced a preprocessing approach to multi-party computation (MPC) to achieve linear communication complexity. Another approach to reduce communication complexity was proposed by Cramer, Damgård, and de Haan at EUROCRYPT 2007, which involved using ramp-secret sharing schemes to jointly share base-field components of secrets from the extension field. In this paper, we combine these two ideas to achieve a non-asymptotic reduction of communication cost in a multi-phase MPC setup. We introduce a new modification of the ramp secret sharing scheme, called compact sharing, and tailor the MPC protocol to accommodate this modification. Compact sharing masks the polynomial coefficients that would otherwise leak during degree reduction. The protocol provides perfect security against static semi-honest adversaries under an explicit tradeoff between the corruption threshold and the extension degree. When the extension degree scales linearly with the number of parties, the gate-evaluation core achieves constant communication overhead relative to an extension-field element, amortized over full preprocessing batches; input and output communication is counted separately.
• Abstract（参考訳）: CRYPTO 2007で、DamgårdとNielsenは、線形通信複雑性を実現するために、マルチパーティ計算(MPC)に事前処理アプローチを導入した。 通信の複雑さを減らす別のアプローチは、EUROCRYPT 2007でCramer、Damgård、De Haanによって提案された。 本稿では,これらの2つのアイデアを組み合わせて,マルチフェーズMPCセットアップにおける通信コストの漸近的削減を実現する。 我々は、コンパクト共有と呼ばれるランプ秘密共有方式の新たな変更を導入し、この修正に対応するためにMPCプロトコルを調整した。 コンパクトな共有マスクは、次数減少時に漏れる多項式係数である。 このプロトコルは、汚職閾値と拡張度との明確なトレードオフの下で、静的な半正直な敵に対して完璧なセキュリティを提供する。 拡張度がパーティ数と線形にスケールすると、ゲート評価コアは、拡張フィールド要素に対して一定の通信オーバーヘッドを達成し、全前処理バッチを償却し、入力と出力の通信を別々にカウントする。

関連論文リスト

• Fundamental Limits of Information-Theoretic Secure Aggregation with User Dropouts in Federated Learning [64.01246313606067]
  ユーザのドロップアウトでは、相関したランダムキーが、所望の勾配和を回復しながら、局所的な勾配を保護する。 キー配信、マスク付き段階アップロード、マスク除去の3つのフェーズについて検討する。 単一のスキームは、実際のドロップアウト数に通信を適用することで、すべての実行可能なドロップアウトシナリオをサポートする。
  論文  参考訳（メタデータ） (2026-10-19T03:49:47Z)
• EncFormer: Secure and Efficient Transformer Inference over Encrypted Data [21.63908755417832]
  マシンラーニング・アズ・ア・サービス(MLas-a-service)におけるトランスフォーマー推論は、センシティブなユーザ入力に対するプライバシー上の懸念を提起する。 EncFormerは、Stage Compatible Patternsを導入した、サードパーティのプライベートトランスフォーマー推論フレームワークである。 本稿では,従来のハイブリッドFHE-MPCシステムに対して,オンラインMPC通信の1.4x-30.4x,エンド・ツー・エンドの1.3x-9.8xを実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-11T01:15:07Z)
• NET-SA: An Efficient Secure Aggregation Architecture Based on In-Network Computing [10.150846654917753]
  NET-SAは機械学習のための効率的なセキュアアグリゲーションアーキテクチャである。 シードアグリーメントとシークレット共有のコミュニケーション集約フェーズを排除し、通信オーバーヘッドを低減する。 実行時の最大77倍と12倍の強化を実現し、最先端のメソッドと比較してクライアント間の通信コストを2倍削減する。
  論文  参考訳（メタデータ） (2025-01-02T10:27:06Z)
• Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation [8.859237832459876]
  FASTLMPIは、微粒な最適化により、プライベートなTBM推論を高速化する新しい手法である。 具体的には、ホモモルフィック暗号化と秘密共有の詳細な共設計により、FASTLMPIは行列乗算、SoftMax、LayerNorm、GeLULUの効率的なプロトコルを実現する。 FASTLMPIは、実行時の54%から64%の大幅な減少と、通信コストの72.2%の大幅な削減を示している。
  論文  参考訳（メタデータ） (2024-12-21T08:33:12Z)
• Over-the-Air Federated Averaging with Limited Power and Privacy Budgets [49.04036552090802]
  本稿では,電力予算が制限されたプライベート・オーバ・ザ・エア・フェデレーション(DP-OTA-FedAvg)システムについて検討する。 我々は,DP-OTA-FedAvg係数のギャップを最小化し,プライバシー機能を最小化するために解析的問題を改善することを目的としている。
  論文  参考訳（メタデータ） (2023-05-05T13:56:40Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [61.540831911168226]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggはビザンツの攻撃やプライバシーの漏洩に耐性がある。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)

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。