論文の概要: Random-Energy Secret Sharing via Extreme Synergy
- arxiv url: http://arxiv.org/abs/2309.14047v1
- Date: Mon, 25 Sep 2023 11:23:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 03:51:14.699785
- Title: Random-Energy Secret Sharing via Extreme Synergy
- Title(参考訳): 極限シナジーによるランダムエネルギー秘密共有
- Authors: Vudtiwat Ngampruetikorn, David J. Schwab,
- Abstract要約: ランダムエネルギーモデル(REM)に基づく秘密共有スキームを定式化する。
我々は、REMがセキュアな秘密共有の必要性を満たす温度と秘密長の範囲を導出する。
我々の研究は、情報理論のさらなる例を統一概念として提供し、統計物理学における問題と計算上の問題とを結びつける。
- 参考スコア(独自算出の注目度): 13.4590373691311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The random-energy model (REM), a solvable spin-glass model, has impacted an incredibly diverse set of problems, from protein folding to combinatorial optimization to many-body localization. Here, we explore a new connection to secret sharing. We formulate a secret-sharing scheme, based on the REM, and analyze its information-theoretic properties. Our analyses reveal that the correlations between subsystems of the REM are highly synergistic and form the basis for secure secret-sharing schemes. We derive the ranges of temperatures and secret lengths over which the REM satisfies the requirement of secure secret sharing. We show further that a special point in the phase diagram exists at which the REM-based scheme is optimal in its information encoding. Our analytical results for the thermodynamic limit are in good qualitative agreement with numerical simulations of finite systems, for which the strict security requirement is replaced by a tradeoff between secrecy and recoverability. Our work offers a further example of information theory as a unifying concept, connecting problems in statistical physics to those in computation.
- Abstract(参考訳): 可溶性スピングラスモデルであるランダムエネルギーモデル(REM)は、タンパク質の折り畳みから組合せ最適化、多体局在に至るまで、驚くほど多様な問題に影響を与えている。
ここでは、シークレット共有に対する新たなつながりを探求する。
我々はREMに基づいて秘密共有スキームを定式化し、その情報理論特性を解析する。
分析の結果,REMのサブシステム間の相関は非常に相乗的であり,セキュアな秘密共有スキームの基礎を形成していることがわかった。
我々は、REMがセキュアな秘密共有の必要性を満たす温度と秘密長の範囲を導出する。
さらに、情報符号化においてREMに基づくスキームが最適である位相図に特別な点が存在することを示す。
熱力学限界の解析結果は有限系の数値シミュレーションと良好に一致しており、厳密なセキュリティ要件は機密性と回復性の間のトレードオフに置き換えられる。
我々の研究は、情報理論のさらなる例を統一概念として提供し、統計物理学における問題と計算上の問題とを結びつける。
関連論文リスト
- Statistical Mechanics of Dynamical System Identification [3.1484174280822845]
我々はスパース方程式探索アルゴリズムを統計的に解析する手法を開発した。
このフレームワークでは、統計力学は複雑さとフィットネスの間の相互作用を分析するためのツールを提供する。
論文 参考訳(メタデータ) (2024-03-04T04:32:28Z) - VEC-SBM: Optimal Community Detection with Vectorial Edges Covariates [67.51637355249986]
本稿では,コミュニティ検出のための統計フレームワークであるブロックモデル(SBM)の拡張について検討する。
本稿では,反復的改良手法に基づく新しいアルゴリズムを提案し,潜在コミュニティを最適に回復することを示す。
コミュニティ検出プロセスにおいて,エッジ側情報を活用する付加価値を厳格に評価する。
論文 参考訳(メタデータ) (2024-02-29T02:19:55Z) - S$Ω$I: Score-based O-INFORMATION Estimation [7.399561232927219]
S$Omega$I を導入し,システムに関する制約的な仮定を伴わずに初めて O-information を計算できるようにした。
本実験は, 実世界のユースケースにおけるS$Omega$Iの有効性を実証するものである。
論文 参考訳(メタデータ) (2024-02-08T13:38:23Z) - QMGeo: Differentially Private Federated Learning via Stochastic
Quantization with Mixed Truncated Geometric Distribution [1.8492669447784602]
Federated Learning(FL)は、複数のユーザがグローバル機械学習(ML)モデルを共同でトレーニングできるフレームワークである。
このような分散フレームワークの重要な動機の1つは、ユーザにプライバシ保証を提供することである。
本稿では,DPを提供するのに必要なランダム性を導入するために,混合幾何分布を用いた新しい量子化法を提案する。
論文 参考訳(メタデータ) (2023-12-10T04:44:53Z) - Federated Natural Policy Gradient Methods for Multi-task Reinforcement
Learning [49.65958529941962]
フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。
本研究では,各エージェントがそれぞれのタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。
我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
論文 参考訳(メタデータ) (2023-11-01T00:15:18Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。
本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。
その独特な洞察力のある性質とその分析も提示される。
論文 参考訳(メタデータ) (2023-10-30T14:15:47Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - 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) - Differentially Private Federated Learning via Reconfigurable Intelligent
Surface [27.004823731436765]
フェデレートラーニング(FL)は、分散化されたローカルデータセットを共有せずに、グローバルモデルの協調トレーニングを可能にする。
本稿では,学習精度とプライバシのジレンマを軽減するために,再構成可能インテリジェントサーフェス (RIS) を用いたオーバー・ザ・エア FLシステムを提案する。
論文 参考訳(メタデータ) (2022-03-31T13:45:02Z) - Mutual Information for Explainable Deep Learning of Multiscale Systems [1.1470070927586016]
我々はモデルに依存しないモーメント非依存グローバル感度分析(GSA)を開発した。
GSAは、QoIに対するCVの影響をランク付けするために、異なる相互情報に依存している。
我々は,サロゲート駆動型相互情報GSAが,エネルギー貯蔵に関心のある2つの応用について,有用かつ識別可能なランキングを提供することを示した。
論文 参考訳(メタデータ) (2020-09-07T18:26:21Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳(メタデータ) (2020-02-12T11:10:00Z)
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。