最初にFHEについて少し

完全同型暗号化（FHE）は、意味のある計算を暗号化されたデータ上で実行できるように設計された暗号化技術の一種を表しています。つまり、そのような計算の結果を復号化すると、それらは平文データ上で実行された場合に得られた結果と一致しています。

要するに

fencはいくつかの同型暗号化関数です

どこ

ホモモーフィック性は暗号化された空間での計算を保存します

広いFHEカテゴリの中で、通常、2つまたは3つの種類のFHEスキームにFHEスキームを分類することが一般的です。

• ある程度のホモモーフィック暗号（SHE）：暗号文に対する限られた数の加算と乗算操作をサポートしています。
• 完全同型暗号（FHE）：復号化中にその完全性を損なうことなく、暗号文上での任意の乗算および/または加算操作をサポートします。
• 部分的ホモモーフィック暗号化（部分的HE）：暗号文の加算または乗算のいずれかをサポートしますが、両方ではありません。

以前のFHEを使用したMLの試み

完全同型暗号（FHE）を用いた機械学習（ML）の探求は、暗号化されたデータ上での計算を可能にし、プライバシー保護計算に直接貢献しています。

このエリアでは、Lauter氏（2021年）による同型暗号化とAIの統合に関する解説など、いくつかの顕著な貢献が見られ、データプライバシーを保護しながらAIの力を活用するために暗号技術と機械学習の融合が強調されています。

さらに、MLモデル内の非算術関数を評価するためのFHEとMulti-Party Computation（MPC）のハイブリッドモデルに焦点を当てた研究で詳細に説明されているように、FHEを使用したプライバシー保存型の深層ニューラルネットワークに取り組むことは、計算中にデータとモデルの機密性を維持する境界を押し広げています。

Graepel, Lauter, and Naehrig’s (2012) seminal ペーパーML Confidentialでは、やや完全同型暗号を利用して、機械学習計算をコンピューティングサービスに安全に委任する方法が紹介されており、データの機密性を確保する機械学習アルゴリズムが可能となっています。また、暗号化されたデータ上でのロジスティック回帰や無監督学習アルゴリズムの研究は、従来の機械学習手法の実用的な適用や適応を示し、暗号化制約下での運用の可能性と効率性を実証しています。これらの研究は、機械学習と暗号技術の重要な交差点を強調し、安全でプライバシーを保護する機械学習アルゴリズムに関する将来の研究の設計図を提供しています。

FHEMLの紹介

完全ホモモーフィック暗号化ベースの機械学習（FHEML）は、完全ホモモーフィック暗号化スキームを利用する機械学習アルゴリズムを実装する方法です。これにより、暗号化されたデータ上で計算を実行し、処理されているデータの機密性を確保できます。

FHEMLは、後者が機械学習アルゴリズムの正しい実行を証明することに焦点を当てているのに対し、暗号化されたデータ上で計算を実行してデータのプライバシーを維持することを強調しています。ゼロ知識機械学習（ZKML）に補完的なものと見なすことができます。

FHEMLの本質は、暗号化されたデータ上での計算を可能にすることにあります。計算結果が復号されると、計算が元の平文データ上で実行された場合と同じ結果が得られます。この能力により、機械学習アプリケーションにおいて重要な範囲が開かれ、アルゴリズムがデータのプライバシーやセキュリティを損なうことなく、暗号化されたデータ上で動作することが可能となります。

それは次のように視覚化することができます:

暗号化されたデータ上での計算

FHEML は、完全準同型暗号化スキームで動作するように適応された機械学習アルゴリズムで構成されています。これらのスキームを活用することで、FHEMLはプライバシー中心の機械学習の幅広いユースケースへの扉を開きます。大まかに言うと、これにはコンフィデンシャル コンピューティング、暗号化されたトレーニング、プライベート推論などが含まれます。このような進歩は、データセキュリティを強化するだけでなく、機密性が高くプライバシーが要求されるコンテキストでの機械学習の潜在的なアプリケーションを拡大します。

FHEMLの方向に既存のライブラリ

FHEMLに向けた数少ないライブラリやフレームワークは、現時点ではFHEMLプログラムを記述するための標準が設定されていませんが、FHEMLプログラムを構築するための最も人気のあるフレームワークやライブラリがいくつかあります。

Concrete-mlZamaによって作成されたライブラリで、彼らの低レベルTFHEコンパイラの上に構築されています。コンクリート任意のPythonコードをFHE回路にコンパイルできるため、開発者はPythonで関数を記述し、暗号化されたデータ上で計算を実行できます。

Concrete-mlは、『実践』では、『モテルクラス』でさよしの機器学習API (線のモテル、ツリーベースモッド、ニューラルネッド) を利用して開発者が加工することができます。scikitPyTorchモデルをそれらのFHE互換バージョンに変換することを可能にする他のフレームワークの学習、暗号化されたデータでトレーニングされた確率的勾配降下ベースの分類器など、ml操作を実装するための敷居を大幅に下げるConcrete-mlなどは暗号化されたデータ上でのml操作の導入障壁を大幅に低下させます。

テンセール, 開発されたOpenMinedコミュニティ、テンソル（ニューラルネットワークの基本的な単位であり、さまざまな形式でデータを表すまたは操作できる）上での同型演算の実行を重点に置いています。マイクロソフトの上に構築されました。SEAL（Simple Encrypted Arithematic Library）Tensealは、暗号化されたテンソルでHE機能を可能にするための効率的なPythonアクセス可能なAPIを提供し、高速化のためにC++で記述された基本操作を備えています。

PySyft, OpenMinedからのもう1つの貢献であり、Pythonでの安全でプライベートな深層学習を目指しています。Tensealの同型暗号化機能を備えて構築されており、そのプライバシー保護機能を強化しています。PySyftは、CKKSテンソルを導入しました。CKKSホモモーフィック暗号化スキームは、実数上の操作を可能にし、おおよその結果を提供します。これはホモモーフィック暗号化を超え、安全な多者計算および差分プライバシーも取り入れ、プライバシーを保護するための包括的なスイートを提供します。

TF 暗号化, TensorFlowエコシステム内で設計された暗号化された機械学習のためのフレームワークです。特に、TensorFlowの経験を模倣しています。Keras API, TF Encryptedは、暗号化されたデータでのトレーニングと予測を容易にします。安全な多者間計算とホモモーフィック暗号化を活用して、プライバシーを保護する機械学習機能を提供します。TF Encryptedは、暗号学、分散システム、高性能コンピューティングについての深い知識がなくてもアクセス可能にし、暗号化された機械学習を民主化することを目指しています。

FHEMLのいくつかの一般的なユースケース

計算の外部委託

現在、計算は暗号化されたデータ上で行われるため、計算を実行したい当事者は安全にデータの暗号化された形式を第三者と共有し、処理を行うことができます。

暗号化された推論

ユーザーがリクエストした推論はモデルには公開されず、デフォルトで暗号化され、ユーザーだけがキーで復号化できるようにする暗号化された推論を容易にします。

暗号化されたトレーニングインサイト

企業が機械学習モデルをトレーニングし、洞察を得るために暗号化された機密データの形式を活用することを可能にします。これにより、組織はデータを活用して業務を向上させ、新しい戦略を開発し、意思決定プロセスを改善することができます。すべての間、データの最高のプライバシーとセキュリティが確保されています。

免責事項：

1. この記事は[から転載されましたForesightnews]. オリジナルタイトルを転送する‘速覧 Gitcoinが導入したAllo Protocol：コミュニティグラントプログラムのプロトコルレイヤーインフラ’。すべての著作権はオリジナルの著者[Frank, Foresight News]に帰属します. If there are objections to this reprint, please contact the Gate Learnチームが promptly に対処します。

2. 責任の免責事項：本記事で表現されている意見はすべて著者個人のものであり、投資アドバイスを構成するものではありません。

3. 他の言語への記事の翻訳はGate Learnチームによって行われます。特に言及されていない限り、翻訳された記事のコピー、配布、または盗用は禁止されています。