論文の概要: AnonPSI: An Anonymity Assessment Framework for PSI

• arxiv url: http://arxiv.org/abs/2311.18118v1
• Date: Wed, 29 Nov 2023 22:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 13:35:06.059631
• Title: AnonPSI: An Anonymity Assessment Framework for PSI
• Title（参考訳）: AnonPSI:PSIの匿名性評価フレームワーク
• Authors: Bo Jiang, Jian Du, Qiang Yan,
• Abstract要約: Private Set Intersection (PSI) は、2つのパーティが共有データセットの切断された部分上で関数を安全に計算できるプロトコルである。 最近の研究は、Set Membership Inference Attacks(SMIA)の脆弱性を強調している。 本稿では,PSIにおける匿名性の評価について検討する。
• 参考スコア（独自算出の注目度）: 5.301888664281537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Private Set Intersection (PSI) is a widely used protocol that enables two parties to securely compute a function over the intersected part of their shared datasets and has been a significant research focus over the years. However, recent studies have highlighted its vulnerability to Set Membership Inference Attacks (SMIA), where an adversary might deduce an individual's membership by invoking multiple PSI protocols. This presents a considerable risk, even in the most stringent versions of PSI, which only return the cardinality of the intersection. This paper explores the evaluation of anonymity within the PSI context. Initially, we highlight the reasons why existing works fall short in measuring privacy leakage, and subsequently propose two attack strategies that address these deficiencies. Furthermore, we provide theoretical guarantees on the performance of our proposed methods. In addition to these, we illustrate how the integration of auxiliary information, such as the sum of payloads associated with members of the intersection (PSI-SUM), can enhance attack efficiency. We conducted a comprehensive performance evaluation of various attack strategies proposed utilizing two real datasets. Our findings indicate that the methods we propose markedly enhance attack efficiency when contrasted with previous research endeavors. {The effective attacking implies that depending solely on existing PSI protocols may not provide an adequate level of privacy assurance. It is recommended to combine privacy-enhancing technologies synergistically to enhance privacy protection even further.
• Abstract（参考訳）: プライベート・セット・インターセクション(PSI)は、2つのパーティが共有データセットの区切られた部分で関数を安全に計算できるプロトコルであり、長年にわたって重要な研究対象となっている。 しかし、近年の研究では、複数のPSIプロトコルを呼び出し、敵が個人のメンバーシップを推論するSet Membership Inference Attacks(SMIA)の脆弱性を強調している。 このことは、PSIの最も厳密なバージョンにおいてさえ、交叉の基数だけを返すようなかなりのリスクをもたらす。 本稿では,PSIにおける匿名性の評価について検討する。 当初、既存の作業がプライバシー漏洩の測定に不足している理由を強調し、その後、これらの欠陥に対処する2つの攻撃戦略を提案する。 さらに,提案手法の性能を理論的に保証する。 これらに加えて、交差点のメンバー(PSI-SUM)に付随するペイロードの和などの補助情報の統合により、攻撃効率が向上することを示す。 本研究では,2つの実データを用いた各種攻撃戦略の総合的評価を行った。 本研究は,従来の研究成果と対比して,攻撃効率を著しく向上させることが示唆された。 { 効果的な攻撃は、既存のPSIプロトコルのみに依存すると、適切なレベルのプライバシー保証が得られないことを意味する。 プライバシー保護をさらに強化するために、プライバシー強化技術を相乗的に組み合わせることが推奨されている。

関連論文リスト

• Membership Inference Attacks Against In-Context Learning [26.57639819629732]
  In-Context Learning (ICL) に適した最初のメンバシップ推論攻撃を提案する。 様々な制約シナリオに合わせた4つの攻撃戦略を提案する。 本稿では,データ,命令,出力を対象とする3つの潜在的防御について検討する。
  論文  参考訳（メタデータ） (2024-09-02T17:23:23Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• Provable Offline Preference-Based Reinforcement Learning [95.00042541409901]
  本研究では,PbRL(Preference-based Reinforcement Learning)の問題について,人間のフィードバックを用いて検討する。 我々は、報酬が軌道全体にわたって定義できる一般的な報酬設定について考察する。 我々は, 軌道毎の集中性によって上界に拘束できる新しい単極集中係数を導入する。
  論文  参考訳（メタデータ） (2023-05-24T07:11:26Z)
• On the Privacy Risks of Algorithmic Recourse [17.33484111779023]
  対戦相手がリコースを利用して、基礎となるモデルのトレーニングデータに関するプライベート情報を推測できるかどうかを調査する最初の試みを行う。 我々の研究は、リコメンデーション手法の普及において、意図しないプライバシー漏洩が重要なリスクとして確立されている。
  論文  参考訳（メタデータ） (2022-11-10T09:04:24Z)
• 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)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)
• Composable finite-size effects in free-space CV-QKD systems [0.0]
  本稿では,2つの古典的後処理戦略,すなわち高透過性データの選択とデータクラスタ化について検討し,チャネルのゆらぎに起因したノイズを低減させる。 これらの戦略は、個人攻撃と集団攻撃の両方に対して、有限サイズの鍵レートを高めることができることを示す。
  論文  参考訳（メタデータ） (2020-02-10T00:22:30Z)
• Privacy for Rescue: A New Testimony Why Privacy is Vulnerable In Deep Models [6.902994369582068]
  エッジクラウドシステム実行モデルにおけるプライバシ保護問題の形式的定義を示す。 我々は最先端の手法を分析し、それらの手法の欠点を指摘する。 本稿では,プライバシー保護手法の有効性を評価するために,より正確な2つの指標を提案する。
  論文  参考訳（メタデータ） (2019-12-31T15:55:03Z)

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。