論文の概要: zkFi: Privacy-Preserving and Regulation Compliant Transactions using Zero Knowledge Proofs

• arxiv url: http://arxiv.org/abs/2307.00521v4
• Date: Sat, 9 Mar 2024 16:03:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-17 17:20:31.170403
• Title: zkFi: Privacy-Preserving and Regulation Compliant Transactions using Zero Knowledge Proofs
• Title（参考訳）: zkFi:ゼロ知識証明を用いたプライバシ保護とコンプライアンストランザクションの規制
• Authors: Naveen Sahu, Mitul Gajera, Amit Chaudhary,
• Abstract要約: zkFiプロトコルは、開発者がトランザクションアセットを処理する柔軟性を提供するプラグイン・アンド・プレイソリューションとして機能するように設計されている。 ゼロ知識証明(ZKP)の専門知識はオプションであり、zkFiのモジュラーアプローチとソフトウェア開発キット(SDK)の可用性に起因する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a middleware solution designed to facilitate seamless integration of privacy using zero-knowledge proofs within various multi-chain protocols, encompassing domains such as DeFi, gaming, social networks, DAOs, e-commerce, and the metaverse. Our design achieves two divergent goals. zkFi aims to preserve consumer privacy while achieving regulation compliance through zero-knowledge proofs. These ends are simultaneously achievable. zkFi protocol is designed to function as a plug-and-play solution, offering developers the flexibility to handle transactional assets while abstracting away the complexities associated with zero-knowledge proofs. Notably, specific expertise in zero-knowledge proofs (ZKP) is optional, attributed to zkFi's modular approach and software development kit (SDK) availability.
• Abstract（参考訳）: 本稿では,DeFi,ゲーム,ソーシャルネットワーク,DAO,eコマース,メタバースなどのドメインを含むマルチチェーンプロトコルにおけるゼロ知識証明を用いて,プライバシーのシームレスな統合を容易にするミドルウェアソリューションを提案する。 我々の設計は2つの異なる目標を達成する。 zkFiは、ゼロ知識証明を通じて規制コンプライアンスを達成しつつ、消費者プライバシの保護を目指している。 これらの終了は同時に達成可能である。 zkFiプロトコルは、ゼロ知識証明に関連する複雑さを抽象化しながら、トランザクションアセットを処理する柔軟性を提供する、プラグイン・アンド・プレイソリューションとして機能するように設計されている。 特にゼロ知識証明(ZKP)の特定の専門知識はオプションであり、zkFiのモジュラーアプローチとソフトウェア開発キット(SDK)の可用性に起因する。

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)
• ZK-DPPS: A Zero-Knowledge Decentralised Data Sharing and Processing Middleware [3.2995127573095484]
  従来のZKPを必要としないゼロ知識通信を実現するフレームワークであるZK-DPPSを提案する。 プライバシは、計算のためのFHE(Fully Homomorphic Encryption)と鍵再構成のためのSMPC(Secure Multi-Party Computations)を組み合わせることで保持される。 シミュレーションサプライチェーンシナリオによるZK-DPPSの有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-21T01:23:37Z)
• Collaborative CP-NIZKs: Modular, Composable Proofs for Distributed Secrets [3.3373764108905455]
  構成性により、ユーザーは異なるNIZKを組み合わせられる。 我々は、NIZKのコラボレーティブ・コミット・アンド・プロブのための、最初の一般的な定義を示す。
  論文  参考訳（メタデータ） (2024-07-27T08:45:34Z)
• PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning [49.916365792036636]
  フェデレートラーニング(FL)は、大規模分散ユーザデータを活用する可能性から、最近大きな勢いを増している。 送信されたモデル更新は、センシティブなユーザ情報をリークする可能性があり、ローカルなトレーニングプロセスの集中的な制御の欠如は、モデル更新に対する悪意のある操作の影響を受けやすいグローバルモデルを残します。 我々は、Lagrange符号化計算と分散ゼロ知識証明を利用した汎用フレームワークPriRoAggを開発し、集約されたプライバシを満たすとともに、幅広いロバストな集約アルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-07-12T03:18:08Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• HOACS: Homomorphic Obfuscation Assisted Concealing of Secrets to Thwart Trojan Attacks in COTS Processor [0.6874745415692134]
  ハードウェアトロイの木馬に対する秘密資産の機密性を確保するためのソフトウェア指向の対策を提案する。 提案したソリューションは、サプライチェーンエンティティを信頼する必要はなく、IC設計の分析や修正を必要としない。 我々は,AES(Advanced Encryption Standard)プログラムで秘密鍵を保護するために提案手法を実装し,詳細なセキュリティ分析を行った。
  論文  参考訳（メタデータ） (2024-02-15T04:33:30Z)
• A Universal System for OpenID Connect Sign-ins with Verifiable Credentials and Cross-Device Flow [4.006745047019997]
  自己主権アイデンティティ(Self-Sovereign Identity、SSI)は、新しくて有望なアイデンティティ管理パラダイムである。 我々は、OpenID ConnectやOAuth 2.0プロトコルをサポートするサービスに対して、SSIベースのサインインを可能にする比較的単純なシステムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T16:44:30Z)
• Who Leaked the Model? Tracking IP Infringers in Accountable Federated Learning [51.26221422507554]
  Federated Learning (FL) は、大規模で分散したクライアントからのデータと計算リソースを調整する効果的な協調学習フレームワークである。 このようなコラボレーションは、個々のユーザではなく、パーティー全体によって保護され、共有されるべきモデルパラメータによって表現される非自明な知的財産(IP)をもたらす。 このようなIPリークをブロックするためには、IPを共有モデルで識別し、最初にリークした匿名の侵害者を特定することが不可欠である。 本稿では,説明責任FLの要件を満たすために,Dudeable Unique Watermarking (DUW)を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:47:55Z)
• Libertas: Privacy-Preserving Computation for Decentralised Personal Data Stores [19.54818218429241]
  セキュアなマルチパーティ計算をSolidと統合するためのモジュール設計を提案する。 私たちのアーキテクチャであるLibertasでは、基盤となるSolidの設計にプロトコルレベルの変更は必要ありません。 既存の差分プライバシー技術と組み合わせて、出力プライバシーを確保する方法を示す。
  論文  参考訳（メタデータ） (2023-09-28T12:07:40Z)
• Differentially Private Wireless Federated Learning Using Orthogonal Sequences [56.52483669820023]
  本稿では,FLORAS と呼ばれる AirComp 法を提案する。 FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。 新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
  論文  参考訳（メタデータ） (2023-06-14T06:35:10Z)
• FedSOV: Federated Model Secure Ownership Verification with Unforgeable Signature [60.99054146321459]
  フェデレートラーニングにより、複数のパーティがプライベートデータを公開せずにグローバルモデルを学ぶことができる。 本稿では,FedSOVという暗号署名に基づくフェデレート学習モデルのオーナシップ検証手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T12:10:02Z)

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。