論文の概要: Secure Multi-Function Computation with Private Remote Sources
- arxiv url: http://arxiv.org/abs/2106.09485v1
- Date: Thu, 17 Jun 2021 13:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-19 00:01:54.979748
- Title: Secure Multi-Function Computation with Private Remote Sources
- Title(参考訳): プライベートなリモートソースによるセキュアなマルチファンクション計算
- Authors: Onur G\"unl\"u, Matthieu Bloch, and Rafael F. Schaefer
- Abstract要約: 本稿では,リモートソースのノイズバージョンを観測する当事者が,公的な通信を通じて融合センターで観測する関数の計算を容易にする分散関数計算問題を考察する。
分散関数の計算には、信頼性とストレージだけでなく、プライバシと機密性といった制約がある。
- 参考スコア(独自算出の注目度): 23.031902422592722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider a distributed function computation problem in which parties
observing noisy versions of a remote source facilitate the computation of a
function of their observations at a fusion center through public communication.
The distributed function computation is subject to constraints, including not
only reliability and storage but also privacy and secrecy. Specifically, 1) the
remote source should remain private from an eavesdropper and the fusion center,
measured in terms of the information leaked about the remote source; 2) the
function computed should remain secret from the eavesdropper, measured in terms
of the information leaked about the arguments of the function, to ensure
secrecy regardless of the exact function used. We derive the exact rate regions
for lossless and lossy single-function computation and illustrate the lossy
single-function computation rate region for an information bottleneck example,
in which the optimal auxiliary random variables are characterized for
binary-input symmetric-output channels. We extend the approach to lossless and
lossy asynchronous multiple-function computations with joint secrecy and
privacy constraints, in which case inner and outer bounds for the rate regions
differing only in the Markov chain conditions imposed are characterized.
- Abstract(参考訳): 本研究では, リモートソースのノイズを観測する当事者が, コミュニケーションを通じて核融合センターにおける観測関数の計算を容易にする分散関数計算問題を考える。
分散関数の計算には、信頼性やストレージだけでなく、プライバシや機密性など、制約がある。
具体的には、1) リモートソースは、リモートソースのリーク情報の観点から測定された、盗聴者及び融合センターからプライベートであり、2) 計算された関数は、その関数の引数に関するリーク情報の観点から測定された盗聴者から秘密であり、かつ、使用する機能に関係なく機密性を確保する。
損失なし・損失付き単関数計算の厳密なレート領域を導出し、最適補助確率変数をバイナリ入力対称出力チャネルとして特徴付ける情報ボトルネック例の損失性単関数計算率領域を示す。
我々は、マルコフ連鎖条件でのみ異なるレート領域の内界と外界が特徴付けられるような、共同の秘密とプライバシーの制約を伴って、損失のない非同期多重関数計算へのアプローチを拡張した。
関連論文リスト
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳(メタデータ) (2024-10-25T18:11:02Z) - Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。
半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳(メタデータ) (2024-06-06T06:12:15Z) - Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。
既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。
本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
論文 参考訳(メタデータ) (2023-11-04T04:43:47Z) - 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) - Privacy Induces Robustness: Information-Computation Gaps and Sparse Mean
Estimation [8.9598796481325]
本稿では, アルゴリズムと計算複雑性の両面において, 異なる統計問題に対する観測結果について検討する。
プライベートスパース平均推定のための情報計算ギャップを確立する。
また、プライバシーによって引き起こされる情報計算のギャップを、いくつかの統計や学習問題に対して証明する。
論文 参考訳(メタデータ) (2022-11-01T20:03:41Z) - Sequential Decision Making on Unmatched Data using Bayesian Kernel
Embeddings [10.75801980090826]
本稿では,関数の期待値を最大化する新しいアルゴリズムを提案する。
特徴の条件分布と未知関数の両方から導かれる不確実性について考察する。
本アルゴリズムは,実験において,現在最先端のアルゴリズムよりも経験的に優れている。
論文 参考訳(メタデータ) (2022-10-25T01:27:29Z) - Secure and Private Source Coding with Private Key and Decoder Side
Information [139.515333493829]
複数の端末によるセキュアなソース符号化の問題は、ノイズ測定がランダム変数の相関性を持つリモートソースを考慮し、拡張する。
問題に対する主な追加は、1)すべての端末が非因果的にリモートソースのノイズ測定を観察すること、2)秘密鍵がすべての正統な端末で利用可能であること、3)エンコーダとデコーダとの間の公開通信リンクがレート制限であること、(4)イーブスドロップパーへの秘密漏洩がエンコーダ入力に関して測定され、一方、プライバシリークはリモートソースに対して測定される。
論文 参考訳(メタデータ) (2022-05-10T17:51:28Z) - The Skellam Mechanism for Differentially Private Federated Learning [28.623090760737075]
2つの独立なポアソン確率変数の差に基づく離散微分プライバシー機構である多次元スケラム機構を導入する。
本研究では,2つのシフトしたSkellam分布間のR'enyi分散を,数値評価により解析し,シャープな境界を与える。
集中型プライバシアプリケーションと分散型プライバシアプリケーションの両方で有用であるが、フェデレーション学習の文脈でどのように適用できるかを検討する。
論文 参考訳(メタデータ) (2021-10-11T04:28:11Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳(メタデータ) (2020-10-23T10:35:35Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z)
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。