論文の概要: Zero-Knowledge Location Privacy via Accurate Floating Point SNARKs
- arxiv url: http://arxiv.org/abs/2404.14983v1
- Date: Tue, 23 Apr 2024 12:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 14:01:50.135540
- Title: Zero-Knowledge Location Privacy via Accurate Floating Point SNARKs
- Title(参考訳): 正確な浮動小数点SNARKによるゼロ知識位置プライバシー
- Authors: Jens Ernstberger, Chengru Zhang, Luca Ciprian, Philipp Jovanovic, Sebastian Steinhorst,
- Abstract要約: 本稿ではゼロ知識位置情報プライバシー(ZKLP)を紹介する。
ZKLPは、ユーザーが正確な位置情報を開示することなく、特定の地理的領域内にあることを第三者に証明することができる。
浮動小数点演算のためのIEEE 754標準に完全に準拠するZero-Knowledge Proof回路の最初のセットを紹介する。
- 参考スコア(独自算出の注目度): 2.34764060945577
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper introduces Zero-Knowledge Location Privacy (ZKLP), enabling users to prove to third parties that they are within a specified geographical region while not disclosing their exact location. ZKLP supports varying levels of granularity, allowing for customization depending on the use case. To realize ZKLP, we introduce the first set of Zero-Knowledge Proof (ZKP) circuits that are fully compliant to the IEEE 754 standard for floating-point arithmetic. Our results demonstrate that our floating point implementation scales efficiently, requiring only $69$ constraints per multiplication for $2^{15}$ single-precision floating-point multiplications. We utilize our floating point implementation to realize the ZKLP paradigm. In comparison to the state-of-the-art, we find that our optimized implementation has $14.1 \times$ less constraints utilizing single precision floating-point values, and $11.2 \times$ less constraints when utilizing double precision floating-point values. We demonstrate the practicability of ZKLP by building a protocol for privacy preserving peer-to-peer proximity testing - Alice can test if she is close to Bob by receiving a single message, without either party revealing any other information about their location. In such a configuration, Bob can create a proof of (non-)proximity in $0.27 s$, whereas Alice can verify her distance to about $250$ peers per second
- Abstract(参考訳): 本稿では、ZKLP(Zero-Knowledge Location Privacy)を導入し、ユーザが正確な位置情報を開示することなく、特定の地理的領域内にあることを第三者に証明できるようにする。
ZKLPはさまざまなレベルの粒度をサポートし、ユースケースに応じてカスタマイズが可能である。
ZKLPを実現するために、浮動小数点演算のIEEE 754標準に完全に準拠するZero-Knowledge Proof (ZKP) 回路の最初のセットを導入する。
我々の浮動小数点実装は効率よくスケールし、単精度浮動小数点乗算の場合、乗算あたりの制約はわずか69ドルである。
浮動小数点法を用いてZKLPパラダイムを実現する。
現状と比較して、最適化された実装は、単一精度浮動小数点値を利用する制約が14.1 \times$少なくなること、二重精度浮動小数点値を利用する場合の制約が11.2 \times$少なくなること、が分かる。
我々は、ピアツーピア近接テストのプライバシーを守るプロトコルを構築することでZKLPの実践性を実証する。
そのような構成では、ボブは0.27 s$で(非)確率の証明を作成できるが、アリスは1秒あたり約250ドルまでの距離を検証できる。
関連論文リスト
- Privacy Amplification via Compression: Achieving the Optimal
Privacy-Accuracy-Communication Trade-off in Distributed Mean Estimation [20.909302074826666]
プライバシとコミュニケーションの制約は、連邦学習(FL)と分析(FA)の2つの主要なボトルネックである
それぞれのクライアントが$Thetaleft(n minleft(varepsilon, varepsilon2right)$ bits for FL と $Thetaleft(logleft(minleft(varepsilon, varepsilon2right)$)$ bits for FA の送信に十分であることを示す。
論文 参考訳(メタデータ) (2023-04-04T05:37:17Z) - Provably Adversarially Robust Nearest Prototype Classifiers [46.576144913096705]
最寄りのプロトタイプ(NPC)は、選択された距離メートル法に関して、最も近いプロトタイプのラベルを各入力ポイントに割り当てる。
以前の作業では、NPCに対して同じ$ell_p$-distanceを使用する場合、$ell_p$-threatモデルにおける最小対向摂動の低い境界を提供することができた。
本稿では,判定に $ell_p$-distances と認証に $ell_q$-threat モデルを使用する場合の複雑性について,完全な議論を行う。
論文 参考訳(メタデータ) (2022-07-14T21:22:30Z) - Scalable Differentially Private Clustering via Hierarchically Separated
Trees [82.69664595378869]
我々は,最大$O(d3/2log n)cdot OPT + O(k d2 log2 n / epsilon2)$,$epsilon$はプライバシ保証であることを示す。
最悪の場合の保証は、最先端のプライベートクラスタリング手法よりも悪いが、提案するアルゴリズムは実用的である。
論文 参考訳(メタデータ) (2022-06-17T09:24:41Z) - Federated Stochastic Primal-dual Learning with Differential Privacy [15.310299472656533]
差分プライバシ(FedSPDDP)を用いた新しいフェデレーション原始双対アルゴリズムを提案する。
分析の結果、データサンプリング戦略とPCPはデータのプライバシを高めることができる一方で、ローカルなSGDステップが多ければ多いほど、プライバシリークが増大する可能性が示唆された。
提案アルゴリズムの実用性能を評価する実験結果を示す。
論文 参考訳(メタデータ) (2022-04-26T13:10:37Z) - Storage and retrieval of von Neumann measurements [0.0]
本研究は、有限個のコピーから次元$d$の未知のフォン・ノイマン測度を学習する問題を考察する。
我々の主な目標は、一般の$N右ロー1$学習スキームに対して平均忠実度関数$F_d$の最大値の振る舞いを推定することである。
論文 参考訳(メタデータ) (2022-04-06T18:19:04Z) - Private Frequency Estimation via Projective Geometry [47.112770141205864]
そこで本研究では,局所微分型(LDP)周波数推定のための新しいアルゴリズムであるProjectiveGeometryResponse (PGR)を提案する。
私たちの$varepsilon$-LDPアルゴリズムは、プライベートコイン設定で$lceillogkrceilビット、パブリックコイン設定で$varepsilonlog e + O(1)$の通信コストを持っています。
実際に使用される多くのパラメータ設定では、これは最近のPIによって達成されるO(n+k2)$Optimalコストよりも大幅に改善されている。
論文 参考訳(メタデータ) (2022-03-01T02:49:55Z) - Learning with User-Level Privacy [61.62978104304273]
ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。
個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。
プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
論文 参考訳(メタデータ) (2021-02-23T18:25:13Z) - Projection Efficient Subgradient Method and Optimal Nonsmooth
Frank-Wolfe Method [54.93433440034386]
実現可能な$epsilon$-suboptimalソリューションは、$O(epsilon-1)$ POコールと最適な$O(epsilon-2)$ FOコールのみを使用します。
提案手法は,POおよびLMOコールのコストがかかる問題に対して,最先端技術に対する大幅な高速化を実現するものであることを確認した。
論文 参考訳(メタデータ) (2020-10-05T08:16:56Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-03-01T17:47:03Z)
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。