論文の概要: CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers
- arxiv url: http://arxiv.org/abs/2312.12938v1
- Date: Wed, 20 Dec 2023 11:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 11:38:03.646335
- Title: CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers
- Title（参考訳）: CARGO: 信頼されたサーバを使わずに暗号化支援された差分プライベートな三角形カウント
- Authors: Shang Liu, Yang Cao, Takao Murakami, Jinfei Liu, Masatoshi Yoshikawa,
- Abstract要約: 我々はCARGOという暗号支援の差分私的三角形計数システムを提案する。
CARGOは中央モデルと同様の高ユーティリティを実現するが、ローカルモデルのような信頼できるサーバは必要としない。
- 参考スコア（独自算出の注目度）: 19.049132615031674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differentially private triangle counting in graphs is essential for analyzing connection patterns and calculating clustering coefficients while protecting sensitive individual information. Previous works have relied on either central or local models to enforce differential privacy. However, a significant utility gap exists between the central and local models of differentially private triangle counting, depending on whether or not a trusted server is needed. In particular, the central model provides a high accuracy but necessitates a trusted server. The local model does not require a trusted server but suffers from limited accuracy. Our paper introduces a crypto-assisted differentially private triangle counting system, named CARGO, leveraging cryptographic building blocks to improve the effectiveness of differentially private triangle counting without assumption of trusted servers. It achieves high utility similar to the central model but without the need for a trusted server like the local model. CARGO consists of three main components. First, we introduce a similarity-based projection method that reduces the global sensitivity while preserving more triangles via triangle homogeneity. Second, we present a triangle counting scheme based on the additive secret sharing that securely and accurately computes the triangles while protecting sensitive information. Third, we design a distributed perturbation algorithm that perturbs the triangle count with minimal but sufficient noise. We also provide a comprehensive theoretical and empirical analysis of our proposed methods. Extensive experiments demonstrate that our CARGO significantly outperforms the local model in terms of utility and achieves high-utility triangle counting comparable to the central model.
- Abstract（参考訳）: グラフ内の異なるプライベートな三角形カウントは、機密情報を保護しながら、接続パターンを分析し、クラスタリング係数を計算するのに不可欠である。
これまでの研究は、偏微分プライバシーを強制するために、中央モデルまたはローカルモデルに頼っていた。
しかし、信頼されたサーバが必要かどうかによっては、差分的にプライベートな三角形をカウントする中央モデルと局所モデルの間に大きなユーティリティギャップが存在する。
特に、中央モデルは高い精度を提供するが、信頼できるサーバを必要とする。
ローカルモデルは信頼できるサーバを必要としないが、精度が限られている。
本稿では,CARGOと呼ばれる暗号支援型差分プライベートな三角形計数システムを導入し,信頼サーバの仮定なしでの差分プライベートな三角形計数の有効性を向上する。
中央モデルと同様の高ユーティリティを実現するが、ローカルモデルのような信頼できるサーバを必要としない。
CARGOは3つの主要コンポーネントから構成される。
まず, 類似性に基づく投影法を導入し, 三角形の均質性によってより多くの三角形を保ちながら大域的な感度を低下させる。
第2に,付加的な秘密共有に基づく三角カウント方式を提案し,機密情報を保護しながら,その三角形を安全かつ正確に計算する。
第3に、最小でも十分な雑音で三角形数を摂動する分散摂動アルゴリズムを設計する。
また,提案手法の総合的理論的,実証的な分析も行う。
広汎な実験により,我々のCARGOは,有効性の観点から局所モデルを著しく上回り,中央モデルに匹敵する高実用性三角形を数えることを示した。
関連論文リスト
- Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。
完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。
半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文 参考訳（メタデータ） (2024-09-12T14:54:31Z) - Samplable Anonymous Aggregation for Private Federated Data Analysis [25.35309084903802]
局所的に微分されたプライベートアルゴリズムは、ほとんど信頼を必要としないが、(おそらく)実用性に制限がある。
中央的に微分されたプライベートアルゴリズムは、はるかに優れたユーティリティを実現することができるが、信頼できるキュレーターを必要とする。
最初のコントリビューションは、複数のよく使われるアルゴリズムを効率的に実装できる新しいプリミティブを提案することです。
論文 参考訳（メタデータ） (2023-07-27T17:19:37Z) - Numerically assisted determination of local models in network scenarios [55.2480439325792]
統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。
グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。
開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
論文 参考訳（メタデータ） (2023-03-17T13:24:04Z) - CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。
我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。
我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-01-23T03:32:57Z) - Complementary consistency semi-supervised learning for 3D left atrial
image segmentation [9.836802392009618]
CC-Netは半教師付き左房画像セグメンテーションのためのネットワークである。
補完情報の観点から、ラベルのないデータを効率的に活用する。
CC-Netは2つのパブリックデータセットで検証されている。
論文 参考訳（メタデータ） (2022-10-04T07:50:28Z) - STD: Stable Triangle Descriptor for 3D place recognition [6.007277539602981]
安定三角形記述子(STD)と呼ばれる新しいグローバルディスクリプタを3次元位置認識のために提案する。
この特性に基づいて,まず3次元点群から局所鍵点を効率よく抽出するアルゴリズムを設計する。
そして、点雲間のディスクリプタの側長をマッチングすることにより、位置認識を実現する。
論文 参考訳（メタデータ） (2022-09-26T05:55:54Z) - SE(3)-Equivariant Attention Networks for Shape Reconstruction in
Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。
入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。
提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:15Z) - Shuffle Private Linear Contextual Bandits [9.51828574518325]
シャッフル・アルゴリズム・トラスト・モデルに基づく線形文脈帯域の一般的な枠組みを提案する。
両方のインスタンス化が、ローカルモデルの精度を大幅に向上させる、後悔の保証につながることを証明します。
また, 合成データのシミュレーションにより, この後悔行動を検証する。
論文 参考訳（メタデータ） (2022-02-11T11:53:22Z) - CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation [71.81734047345587]
核分割のためのコンテキストアウェアポリゴンプロポーザルネットワーク(CPP-Net)を提案する。
まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。
次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。
第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
論文 参考訳（メタデータ） (2021-02-13T05:59:52Z) - Comprehensive Graph-conditional Similarity Preserving Network for
Unsupervised Cross-modal Hashing [97.44152794234405]
教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。
本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。
DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
論文 参考訳（メタデータ） (2020-12-25T07:40:59Z)
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。