論文の概要: Pacifo: An Efficient Fully Homomorphic Encryption-based Lightweight ResNet for Trustworthy Machine Learning as a Service

• arxiv url: http://arxiv.org/abs/2610.33525v1
• Date: Sat, 24 Oct 2026 08:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.353505
• Title: Pacifo: An Efficient Fully Homomorphic Encryption-based Lightweight ResNet for Trustworthy Machine Learning as a Service
• Title（参考訳）: Pacifo: 信頼できるマシンラーニング・アズ・ア・サービスのための効率的な完全同型暗号化ベースの軽量ResNet
• Abstract要約: Pacifoはカスタマイズされた微調整戦略を適用して、FHEのコンテキストでResNet20モデルを効率的に評価するフレームワークである。 実行時に3.7-21.7times$のスピードアップを達成し、下流のタスクで元のモデルの精度の95%-99%を効果的に保存する。
• 参考スコア（独自算出の注目度）: 10.613003012567882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning as a Service (MLaaS) has become a popular paradigm for deploying AI applications. However, it raises significant privacy concerns that the raw client data needs to be uploaded to the server for inference services. Private inference using Fully Homomorphic Encryption (FHE) offers a solution by allowing computations directly on encrypted data, with only the final results decrypted on a client side. However, current practical implementations still suffer from large computational overhead and high latency due to the cost of FHE operations. In this paper, we propose Pacifo, a framework that adapts customized fine-tuning strategies to efficiently evaluate the ResNet20 model in the context of FHE. Specifically, Pacifo introduces a public-private layer partitioning scheme and an efficient ReLU approximation, significantly reducing the number of private layers and costly FHE operations during inference. It also offers flexible security configurations to accommodate varying client privacy requirements. Compared to state-of-the-art FHE implementations of ResNet20, Pacifo achieves a speedup of $3.7-21.7\times$ in runtime while effectively preserving $95\%-99\%$ of the original plaintext model accuracy across downstream tasks. Pacifo is open-sourced at https://github.com/BryceYangLi/Pacifo.
• Abstract（参考訳）: マシンラーニング・アズ・ア・サービス(MLaaS)は、AIアプリケーションをデプロイするための一般的なパラダイムになっています。 しかし、これは、クライアントの生データを推論サービスのためにサーバにアップロードする必要があるという重大なプライバシー上の懸念を提起する。 FHE(Fully Homomorphic Encryption)を使用したプライベート推論は、クライアント側で最終的な結果のみを復号化して、直接暗号化データ上で計算を可能にするソリューションを提供する。 しかし、現在の実践的な実装は、FHE演算のコストのため、計算オーバーヘッドが大きく、高いレイテンシに悩まされている。 本稿では、カスタマイズした微調整戦略を適用して、FHEの文脈でResNet20モデルを効率的に評価するPacifoを提案する。 具体的には、パブリックなプライベートなレイヤ分割スキームと効率的なReLU近似を導入し、推論時にプライベートなレイヤの数とコストの高いFHE操作を大幅に削減する。 また、さまざまなクライアントプライバシ要件に対応するためのフレキシブルなセキュリティ設定も提供する。 ResNet20の最先端のFHE実装と比較して、Pacifoは実行時に3.7-21.7\times$のスピードアップを達成し、ダウンストリームタスク全体にわたって元のプレーンテキストモデルの精度の9.5\%-99\%を効果的に保存した。 Pacifoはhttps://github.com/BryceYangLi/Pacifoでオープンソース化されている。

関連論文リスト

• CryptPEFT: Efficient and Private Neural Network Inference via Parameter-Efficient Fine-Tuning [40.49435347359895]
  CryptPEFTはワンウェイ通信(OWC)アーキテクチャであり、アダプタのみに暗号化されている。 我々は、広く使われている画像分類データセット間でビジョントランスフォーマーのバックボーンを用いてCryptPEFTを評価する。 この結果、CryptPEFTは既存のベースラインを大幅に上回り、シミュレーションワイドエリアネットワーク(WAN)とローカルエリアネットワーク(LAN)設定で20.62タイム(20.62ドル)から291.48タイム(291.48ドル)までのスピードアップを実現した。
  論文  参考訳（メタデータ） (2025-08-17T07:19:27Z)
• SecONNds: Secure Outsourced Neural Network Inference on ImageNet [0.0]
  我々は、大規模な画像ネットワーク規模の畳み込みニューラルネットワークに最適化された、侵入的でないセキュアな推論フレームワークSecONNdsを紹介する。 我々の新しいプロトコルは、最先端のソリューションと比較して、非線形操作で17$times$のオンライン高速化を実現している。 SecONNds-Pも提案する。これはビットエクサクサプリタで、検証された完全精度を保証し、セキュアな計算を行う。
  論文  参考訳（メタデータ） (2025-06-13T08:49:39Z)
• Toward Practical Privacy-Preserving Convolutional Neural Networks Exploiting Fully Homomorphic Encryption [11.706881389387242]
  準同型暗号化(FHE)は、プライベート推論(PI)を実現するための実行可能なアプローチである FHEのCNNの実装は、主に計算とメモリのオーバーヘッドが大きいため、大きなハードルに直面している。 本稿では、GPU/ASICアクセラレーション、効率的なアクティベーション機能、最適化されたパッキングスキームを含む最適化セットを提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:24:35Z)
• Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
  Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。 本稿では,FedInsという新しいFLアルゴリズムを提案する。 我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:58:47Z)
• 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)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• FastSecAgg: Scalable Secure Aggregation for Privacy-Preserving Federated Learning [18.237186837994585]
  セキュアアグリゲーション'プロトコルは、サーバがクライアントのモデルをプライバシ保護方法で集約することを可能にする。 FastSecAggは計算と通信の面で効率的であり、クライアントのドロップアウトに対して堅牢である。
  論文  参考訳（メタデータ） (2020-09-23T16:49:02Z)
• User-Level Privacy-Preserving Federated Learning: Analysis and Performance Optimization [77.43075255745389]
  フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。 情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。 サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-29T10:13:39Z)

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。