論文の概要: Asymmetric Private Set Intersection with Applications to Contact Tracing
and Private Vertical Federated Machine Learning
- arxiv url: http://arxiv.org/abs/2011.09350v1
- Date: Wed, 18 Nov 2020 15:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 05:14:51.756989
- Title: Asymmetric Private Set Intersection with Applications to Contact Tracing
and Private Vertical Federated Machine Learning
- Title（参考訳）: 非対称プライベートセット交差点と接触追跡および非対称垂直フェデレート機械学習への応用
- Authors: Nick Angelou, Ayoub Benaissa, Bogdan Cebere, William Clark, Adam James
Hall, Michael A. Hoeh, Daniel Liu, Pavlos Papadopoulos, Robin Roehm, Robert
Sandmann, Phillipp Schoppmann, Tom Titcombe
- Abstract要約: 非対称プライベートセット交差点(PSI)とPSI-Cardinality(PSI-C)のためのクロスプラットフォームライブラリを提案する。
本プロトコルでは,従来のDDHベースのPSIとPSI-CプロトコルとBloomフィルタに基づく圧縮を組み合わせることで,非対称環境における通信の低減を図る。
私たちのライブラリは、C++、C、Go、WebAssembly、JavaScript、Python、Rustをサポートし、従来のハードウェア(x86)とブラウザターゲットの両方で動作します。
- 参考スコア（独自算出の注目度）: 7.443117783492293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a multi-language, cross-platform, open-source library for
asymmetric private set intersection (PSI) and PSI-Cardinality (PSI-C). Our
protocol combines traditional DDH-based PSI and PSI-C protocols with
compression based on Bloom filters that helps reduce communication in the
asymmetric setting. Currently, our library supports C++, C, Go, WebAssembly,
JavaScript, Python, and Rust, and runs on both traditional hardware (x86) and
browser targets. We further apply our library to two use cases: (i) a
privacy-preserving contact tracing protocol that is compatible with existing
approaches, but improves their privacy guarantees, and (ii) privacy-preserving
machine learning on vertically partitioned data.
- Abstract（参考訳）: 非対称なプライベートセット交差点(PSI)とPSI-Cardinality(PSI-C)のための多言語クロスプラットフォームオープンソースライブラリを提案する。
本プロトコルでは,従来のDDHベースのPSIとPSI-CプロトコルとBloomフィルタに基づく圧縮を組み合わせることで,非対称環境における通信の低減を図る。
現在、私たちのライブラリはC++、C、Go、WebAssembly、JavaScript、Python、Rustをサポートし、従来のハードウェア(x86)とブラウザターゲットの両方で動作する。
さらに,このライブラリを2つのユースケースに適用する。
(i)既存のアプローチと互換性があるが、プライバシー保証を改善したプライバシー保護接触追跡プロトコル
(II)垂直分割データに基づくプライバシー保護機械学習。
関連論文リスト
- Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。
SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。
以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文 参考訳（メタデータ） (2024-03-26T15:07:58Z) - Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳（メタデータ） (2024-03-19T17:54:49Z) - PEPSI: Practically Efficient Private Set Intersection in the Unbalanced Setting [27.625750404980597]
プライベートデータセットを持つ2つのパーティは、交差点を越えて情報を公開することなく、プライベートセットインターセクション(PSI)プロトコルを使用して共有要素を見つけることができる。
既存のプロトコルは計算的に非効率であるか、より大きなセットの順序で広範なサーバ側通信を必要とする。
本稿では,クライアントだけが暗号化されたデータを送信する非対話型ソリューションであるPSI(PEPSI)やPEPSIを紹介する。
論文 参考訳（メタデータ） (2023-10-23T04:44:13Z) - Secure and Scalable Circuit-based Protocol for Multi-Party Private Set Intersection [4.946124980718068]
回路ベースのアプローチは、このタスクを達成するためにカスタムプロトコルを使用するよりも利点がある。
2つのパーティ間のセキュアな計算を使用することで、プロトコルは複数パーティ間のインタラクションに関連する複雑さを回避します。
回路ベース構築に伴うオーバヘッドを軽減するため,単純なハッシュ方式と置換型ハッシュ関数を用いることで,プロトコルをさらに強化した。
論文 参考訳（メタデータ） (2023-09-14T03:20:33Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Federated Boosted Decision Trees with Differential Privacy [24.66980518231163]
本稿では,従来の決定木に対するアプローチをキャプチャし,拡張する汎用フレームワークを提案する。
高いレベルのプライバシを維持しながら、極めて高いユーティリティを実現することが可能であることを、慎重に選択することで示しています。
論文 参考訳（メタデータ） (2022-10-06T13:28:29Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳（メタデータ） (2022-07-19T05:47:30Z) - SoteriaFL: A Unified Framework for Private Federated Learning with
Communication Compression [40.646108010388986]
本稿では,コミュニケーション圧縮によるプライベート・フェデレーション学習のコミュニケーション効率を向上させる統一フレームワークを提案する。
プライバシ、ユーティリティ、通信の複雑さの観点から、パフォーマンストレードオフを包括的に評価する。
論文 参考訳（メタデータ） (2022-06-20T16:47:58Z) - Byzantine-Robust Federated Learning with Optimal Statistical Rates and
Privacy Guarantees [123.0401978870009]
ほぼ最適な統計率を持つビザンチン・ロバスト・フェデレーション学習プロトコルを提案する。
競合プロトコルに対してベンチマークを行い、提案プロトコルの実証的な優位性を示す。
我々のバケットプロトコルは、プライバシー保証手順と自然に組み合わせて、半正直なサーバに対するセキュリティを導入することができる。
論文 参考訳（メタデータ） (2022-05-24T04:03:07Z) - Privacy-Aware Compression for Federated Data Analysis [31.970815289473965]
フェデレーションデータ分析(Federated Data Analytics)は、サーバが低帯域のユーザデバイス群からノイズの多い応答をコンパイルし、集計統計を推定する分散データ分析フレームワークである。
このフレームワークの2つの大きな課題は、ユーザデータがしばしばセンシティブであり、ユーザデバイスがネットワーク帯域幅が低いため、圧縮である。
我々は、この問題を概観し、特定の通信予算で機能するプライバシーに配慮した圧縮メカニズムのファミリーを設計する。
論文 参考訳（メタデータ） (2022-03-15T17:57:13Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z)
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。