Fugu-MT 論文翻訳(概要): The Synchronic Web

論文の概要: The Synchronic Web

arxiv url: http://arxiv.org/abs/2301.10733v2
Date: Mon, 10 Jun 2024 16:58:01 GMT
ステータス: 処理完了
システム内更新日: 2024-06-12 10:27:01.464408
Title: The Synchronic Web
Title（参考訳）: Synchronic Web
Authors: Thien-Nam Dinh, Nicholas Pattengale, Steven Elliott,
Abstract要約: Synchronic WebはWorld Wide Web上のデータをセキュアにするための分散ネットワークである。 Synchronic Webインフラストラクチャのバックボーンは、シンプルで、小さく、セマンティックフリーなブロックチェーンである。 Synchronic Webは、世界のデータを離散時間とデジタル空間でユニークなポイントにロックするためのユビキタスなメカニズムを提供する。
参考スコア（独自算出の注目度）: 0.6772803785812695
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Synchronic Web is a distributed network for securing data provenance on the World Wide Web. By enabling clients around the world to freely commit digital information into a single shared view of history, it provides a foundational basis of truth on which to build decentralized and scalable trust across the Internet. Its core cryptographical capability allows mutually distrusting parties to create and verify statements of the following form: "I commit to this information--and only this information--at this moment in time." The backbone of the Synchronic Web infrastructure is a simple, small, and semantic-free blockchain that is accessible to any Internet-enabled entity. The infrastructure is maintained by a permissioned network of well-known servers, called notaries, and accessed by a permissionless group of clients, called ledgers. Through an evolving stack of flexible and composable semantic specifications, the parties cooperate to generate synchronic commitments over arbitrary data. When integrated with existing infrastructures, adapted to diverse domains, and scaled across the breadth of cyberspace, the Synchronic Web provides a ubiquitous mechanism to lock the world's data into unique points in discrete time and digital space.
Abstract（参考訳）: Synchronic Web(シンクロニックウェブ)は、World Wide Web上のデータを保護するための分散ネットワークである。世界中のクライアントがデジタル情報を単一の共有された歴史ビューに自由にコミットできるようにすることで、インターネット全体で分散的でスケーラブルな信頼を構築するための基礎となる真実を提供する。その中核的な暗号能力は、相互に不信任された当事者が次の形式の声明を作成し、検証することを可能にしている:「私はこの情報にコミットする。 Synchronic Webインフラストラクチャのバックボーンは、シンプルで、小さく、セマンティックフリーなブロックチェーンで、あらゆるインターネット対応のエンティティにアクセスできます。インフラストラクチャは、Notariesと呼ばれるよく知られたサーバの許可されたネットワークによって維持され、Leadgerと呼ばれる無許可のクライアントグループによってアクセスされる。フレキシブルで構成可能なセマンティック仕様の進化を通じて、当事者は任意のデータに対して同期的なコミットメントを生成する。さまざまなドメインに適応し、サイバー空間の広い範囲に拡張された既存のインフラストラクチャと統合されると、Synchronic Webは、世界のデータを離散時間とデジタル空間でユニークなポイントにロックするユビキタスなメカニズムを提供する。

関連論文リスト

WPFed: Web-based Personalized Federation for Decentralized Systems [11.458835427697442]
我々はWPFedを紹介した。WPFedは、グローバルに最適な隣人選択を可能にするように設計された、完全に分散されたWebベースの学習フレームワークである。セキュリティを強化し、悪意のある振る舞いを抑えるため、WPFedはLSHコードとパフォーマンスランキングの両方の検証メカニズムを統合している。我々の発見は、WPFedが多種多様な相互接続されたWeb環境にまたがって効果的でセキュアな分散協調学習を促進する可能性を浮き彫りにしている。
論文参考訳（メタデータ） (2024-10-15T08:17:42Z)
CAKE: Sharing Slices of Confidential Data on Blockchain [1.481195148653669]
公開ブロックチェーンを含むシナリオにおいて、データの機密性を保証するために設計されたキー暗号化(CAKE)によるコントロールアクセス。我々は、ロジスティクス領域内の現実のサイバーセキュリティプロジェクトにおいて、CAKEの応用を紹介する。
論文参考訳（メタデータ） (2024-05-07T09:44:04Z)
Decoupled Subgraph Federated Learning [57.588938805581044]
複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
論文参考訳（メタデータ） (2024-02-29T13:47:23Z)
Tag Your Fish in the Broken Net: A Responsible Web Framework for Protecting Online Privacy and Copyright [30.05760947688919]
本稿では,オンラインデータに対するユーザ制御型同意タグ付けフレームワークを提案する。このフレームワークでは、送信時にオンラインデータにタグを付けることができ、その後、データ保持者からのデータに対する同意の取り消しを追跡および要求することができる。
論文参考訳（メタデータ） (2023-10-11T21:56:16Z)
PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文参考訳（メタデータ） (2023-05-19T05:39:40Z)
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文参考訳（メタデータ） (2022-09-04T06:22:37Z)
Decentralized Collaborative Learning with Probabilistic Data Protection [4.7362989868031855]
本稿では、民主主義、多様性、プライバシの価値観を尊重するように慎重に設計された分散機械学習フレームワークを提案する。具体的には,プライバシ保護動的コンセンサスアルゴリズムを統合した多タスク学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-08-23T01:48:10Z)
Two-Bit Aggregation for Communication Efficient and Differentially Private Federated Learning [79.66767935077925]
フェデレートラーニング(FL)では、機械学習モデルは、データをローカルに保ち、他のノードと共有しない状態で、複数のノードで分散的にトレーニングされる。ノードからサーバに送信された情報は、各ノードのローカルデータの詳細を明らかにする可能性があるため、プライバシー上の懸念が生じる。差分プライバシーを保証し、アップリンク通信オーバーヘッドを低減した2ビットアグリゲーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-10-06T19:03:58Z)
Multi-modal AsynDGAN: Learn From Distributed Medical Image Data without Sharing Private Information [55.866673486753115]
プライバシーとセキュリティを守るために拡張可能で弾力性のある学習フレームワークを提案します。提案するフレームワークは分散Asynchronized Discriminator Generative Adrial Networks (AsynDGAN) である。
論文参考訳（メタデータ） (2020-12-15T20:41:24Z)
Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
ディープラーニングは多くのコンピュータビジョンタスクで成功している。しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
論文参考訳（メタデータ） (2020-06-07T13:32:33Z)
Proximity-based Networking: Small world overlays optimized with particle swarm optimization [0.0]
小規模世界のネットワークは、インターネットネットワーク内の情報の拡散とルックアップにおいて、信じられないほど有用である。本稿では,各ノードの分割鍵空間内のピアの配置に,コード内の地理的位置を組み込んだネットワーク方式を提案する。提案手法の柔軟性により,様々なSwarmモデルとエージェントが利用可能となる。
論文参考訳（メタデータ） (2020-06-03T01:40:46Z)

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。