論文の概要: Zero-Knowledge Location Privacy via Accurate Floating-Point SNARKs

• arxiv url: http://arxiv.org/abs/2404.14983v2
• Date: Sat, 09 Nov 2024 13:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:02:58.229265
• 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: ゼロ知識位置情報プライバシー(ZKLP)について紹介する。 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。 ピアツーピア近接テストのためのプライバシー保護プロトコルを構築することにより,ZKLPの実用性を示す。
• 参考スコア（独自算出の注目度）: 2.34764060945577
• License:
• Abstract: We introduce 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 circuits amortize efficiently, requiring only $64$ 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 a baseline, we find that our optimized implementation has $15.9 \times$ less constraints utilizing single precision floating-point values, and $12.2 \times$ 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 $0.26 s$, whereas Alice can verify her distance to about $470$ peers per second
• Abstract（参考訳）: 我々はZKLP(Zero-Knowledge Location Privacy)を導入し、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。 その結果,浮動小数点回路の効率は向上し,単精度浮動小数点乗算の場合,乗算あたりの制約はたったの6,4ドルであった。 浮動小数点法を用いてZKLPパラダイムを実現する。 ベースラインと比較して、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15.9ドル、二重精度浮動小数点値を利用する制約が12.2ドルであることがわかった。 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0.26 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470ドルまでの距離を検証できる。

関連論文リスト

• Computing Optimal Manipulations in Cryptographic Self-Selection Proof-of-Stake Protocols [3.3139913966251227]
  任意の所望の$(alpha,beta)$に対して$f(alpha,beta)$を任意の精度まで確実に釘付けする方法を開発する。 技術的課題の1つは、対象分布の平均値の自然サンプリングに基づく推定は、偏りのない推定値であるということである。
  論文  参考訳（メタデータ） (2024-06-21T16:20:39Z)
• LDPKiT: Recovering Utility in LDP Schemes by Training with Noise^2 [7.879470113673807]
  LDPKiTは,知識伝達による地域差分とユーティリティ保存推論の略である。 CIFAR-10, Fashion-MNIST, SVHN, CARER NLPデータセットを用いた実験により, LDPKiTはプライバシーを損なうことなく実用性を向上させることができることを示した。
  論文  参考訳（メタデータ） (2024-05-25T21:53:58Z)
• Distributed Optimization with Feasible Set Privacy [35.16231062731263]
  2つのエージェントは、実行可能なセットを$mathcalP1$と$mathcalP1$を互いにプライベートに保ちながら、最適なソリューションセットを学ぶ。 エージェントの1つが$mathcalP$をプライベートにチェックする、シーケンシャルなプライベート情報検索(SPIR)フレームワークを採用しています。 SPIR-based private set intersection (PSI) プロトコルで実現可能な$mathcalP1$をプライベートに取得するのに対し、最適な方法を見つけるには、情報漏洩が少なく、ダウンロードも少ないため、我々の手法の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T18:45:04Z)
• 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)
• 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。