論文の概要: HEFT: Homomorphically Encrypted Fusion of Biometric Templates
- arxiv url: http://arxiv.org/abs/2208.07241v1
- Date: Mon, 15 Aug 2022 14:55:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:44:14.367095
- Title: HEFT: Homomorphically Encrypted Fusion of Biometric Templates
- Title(参考訳): HEFT: 生体認証テンプレートの同型暗号化融合
- Authors: Luke Sperling, Nalini Ratha, Arun Ross, Vishnu Naresh Boddeti
- Abstract要約: 完全同相暗号(FHE)を用いたバイオメトリックテンプレートの安全な融合とマッチングのための非インタラクティブ解を提案する。
HEFTと呼ばれるこの手法は、FHEが課すユニークな制約、すなわち非算術演算に対する計算サポートの欠如を克服するためにカスタム設計されている。
テンプレート融合実験により, HEFT (i) による生体認証性能の11.07%, AUROCの9.58%向上が確認された。
- 参考スコア(独自算出の注目度): 20.10175446213924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a non-interactive end-to-end solution for secure fusion
and matching of biometric templates using fully homomorphic encryption (FHE).
Given a pair of encrypted feature vectors, we perform the following ciphertext
operations, i) feature concatenation, ii) fusion and dimensionality reduction
through a learned linear projection, iii) scale normalization to unit
$\ell_2$-norm, and iv) match score computation. Our method, dubbed HEFT
(Homomorphically Encrypted Fusion of biometric Templates), is custom-designed
to overcome the unique constraint imposed by FHE, namely the lack of support
for non-arithmetic operations. From an inference perspective, we systematically
explore different data packing schemes for computationally efficient linear
projection and introduce a polynomial approximation for scale normalization.
From a training perspective, we introduce an FHE-aware algorithm for learning
the linear projection matrix to mitigate errors induced by approximate
normalization. Experimental evaluation for template fusion and matching of face
and voice biometrics shows that HEFT (i) improves biometric verification
performance by 11.07% and 9.58% AUROC compared to the respective unibiometric
representations while compressing the feature vectors by a factor of 16 (512D
to 32D), and (ii) fuses a pair of encrypted feature vectors and computes its
match score against a gallery of size 1024 in 884 ms. Code and data are
available at https://github.com/human-analysis/encrypted-biometric-fusion
- Abstract(参考訳): 本稿では,完全同型暗号(FHE)を用いたバイオメトリックテンプレートの安全な融合とマッチングのための非対話型エンドツーエンドソリューションを提案する。
暗号化された特徴ベクトルのペアを与えられた場合、以下の暗号文演算を実行する。
一 特徴連結
二 学習された直線投影による融合及び次元減少
三 単位 $\ell_2$-norm へのスケール正規化及び
iv) スコア計算にマッチする。
HEFT(Homomorphically Encrypted Fusion of Biometric Templates)と呼ばれるこの手法は、FHEが課すユニークな制約、すなわち非算術的操作のサポートの欠如を克服するためにカスタム設計されている。
推測の観点から,計算効率の良い線形射影のための異なるデータパッキングスキームを体系的に検討し,スケール正規化のための多項式近似を導入する。
トレーニングの観点から,線形射影行列を学習し,近似正規化による誤差を軽減するFHE対応アルゴリズムを提案する。
顔・声の生体計測におけるテンプレート融合とマッチングの実験的検討
i) 特徴ベクトルを16因子(512Dから32D)圧縮しながら、各単生体計測表現と比較して生体認証性能を11.07%、AUROC9.58%向上させる。
(ii)暗号化された2つの特徴ベクトルを融合し、884msの1024サイズのギャラリーと一致スコアを計算する。コードとデータはhttps://github.com/human- analysis/encrypted-biometric-fusionで入手できる。
関連論文リスト
- Blind-Match: Efficient Homomorphic Encryption-Based 1:N Matching for Privacy-Preserving Biometric Identification [31.48009609210313]
Blind-Matchは、ホモモルフィック暗号(HE)を利用して、1:Nマッチングを効率よく保存する新しい生体認証システムである。
Blind-Matchは、さまざまなバイオメトリックデータセットにわたる最先端の手法と比較して、優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2024-08-12T14:13:08Z) - A secure and private ensemble matcher using multi-vault obfuscated templates [1.3518297878940662]
生成AIは、データ生成において前例のないリアリズム、多様性、効率を提供することによって、現代の機械学習に革命をもたらした。
バイオメトリックテンプレートのセキュリティとセキュアマッチングは、現代のバイオメトリックシステムにおいて最も求められている特徴である。
本稿では,バイオメトリックテンプレートのセキュリティを高めるために,ジェネレーティブAIを用いた新しい難読化手法を提案する。
論文 参考訳(メタデータ) (2024-04-08T05:18:39Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳(メタデータ) (2024-03-08T18:50:19Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳(メタデータ) (2023-08-26T06:12:33Z) - Perfectly Secure Steganography Using Minimum Entropy Coupling [60.154855689780796]
カチン1998のステガノグラフィー情報理論モデルでは, ステガノグラフィーの術式は完全に安全であることが示されている。
また, 完全セキュアな手順の中で, 最小エントロピー結合によって誘導される場合に限, 情報スループットが最大になることを示す。
論文 参考訳(メタデータ) (2022-10-24T17:40:07Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition [1.278093617645299]
異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。
本稿では,大きな自然画像に対して密集した開集合認識が可能なハイブリッド異常スコアを提案する。
実験では, 標準密度異常検出ベンチマークと, オープンセット性能の新たな指標であるopen-mIoUについて評価した。
論文 参考訳(メタデータ) (2022-07-06T11:48:50Z) - Softmax-free Linear Transformers [90.83157268265654]
視覚変換器(ViT)は、視覚知覚タスクの最先端を推し進めている。
既存の手法は理論的に欠陥があるか、視覚認識に経験的に効果がないかのいずれかである。
我々はSoftmax-Free Transformers (SOFT) のファミリーを提案する。
論文 参考訳(メタデータ) (2022-07-05T03:08:27Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳(メタデータ) (2022-02-25T16:35:26Z) - Binary Matrix Factorisation and Completion via Integer Programming [3.4376560669160394]
ランク-k二元行列分解問題(k-BMF)に対するコンパクトかつ2つの指数サイズの整数プログラム(IP)を提案する。
コンパクトIPはLP緩和が弱いのに対し,指数サイズのLPはLP緩和が強いことを示す。
論文 参考訳(メタデータ) (2021-06-25T05:17:51Z) - Random Hash Code Generation for Cancelable Fingerprint Templates using
Vector Permutation and Shift-order Process [3.172761915061083]
本稿では,ベクトル置換とシフト順序過程に基づく非可逆距離保存方式を提案する。
次に、非可逆性と類似性に基づく攻撃と戦うために、生成された特徴にシフト順序プロセスを適用する。
生成されたハッシュコードは、主要な無効性と非リンク性要件を満たす一方で、異なるセキュリティおよびプライバシ攻撃に対して耐性がある。
論文 参考訳(メタデータ) (2021-05-21T09:37:54Z)
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。