論文の概要: Delegated-Query Oblivious Transfer and its Practical Applications

• arxiv url: http://arxiv.org/abs/2406.15063v1
• Date: Fri, 21 Jun 2024 11:27:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 12:34:06.798687
• Title: Delegated-Query Oblivious Transfer and its Practical Applications
• Title（参考訳）: Delegated-Query Oblivious Transferとその応用
• Authors: Yvo Desmedt, Aydin Abadi,
• Abstract要約: 我々はデータベースのプライバシーを高めるために、エレガントな暗号技術であるOblivious Transferを検討する。 私たちの"1-out-of-2 Delegated-Query OT"では、直接アクセスすることなく、データベースをプライベートにクエリすることが可能です。 私たちの"1-out-of-2 Delegated-Query Multi-Receiver OT"は、進化するシナリオにおけるプライバシを保護する。
• 参考スコア（独自算出の注目度）: 1.90298817989995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Databases play a pivotal role in the contemporary World Wide Web and the world of cloud computing. Unfortunately, numerous privacy violations have recently garnered attention in the news. To enhance database privacy, we consider Oblivious Transfer (OT), an elegant cryptographic technology. Our observation reveals that existing research in this domain primarily concentrates on theoretical cryptographic applications, overlooking various practical aspects: - OTs assume parties have direct access to databases. Our "1-out-of-2 Delegated-Query OT" enables parties to privately query a database, without direct access. - With the rise of cloud computing, physically separated databases may no longer remain so. Our "1-out-of-2 Delegated-Query Multi-Receiver OT" protects privacy in such evolving scenarios. - Research often ignores the limitations of thin clients, e.g., Internet of Things devices. To address this, we propose a compiler that transforms any 1-out-of-n OT into a thin client version.
• Abstract（参考訳）: データベースは、現代のWorld Wide Webとクラウドコンピューティングの世界において重要な役割を果たす。 残念ながら、多くのプライバシー侵害がこのニュースで注目を集めている。 データベースのプライバシを高めるため,我々はエレガントな暗号技術であるOblivious Transfer(OT)を検討する。 我々の観察によると、この領域における既存の研究は、主に理論的暗号アプリケーションに焦点を当てており、様々な実践的な側面を見下ろしている。 私たちの"1-out-of-2 Delegated-Query OT"では、直接アクセスすることなく、データベースをプライベートにクエリすることが可能です。 -クラウドコンピューティングの台頭により、物理的に分離されたデータベースはもはやそうはならないかもしれない。 私たちの"1-out-of-2 Delegated-Query Multi-Receiver OT"は、このような進化するシナリオでプライバシを保護する。 -研究はしばしば、細いクライアント、例えばIoTデバイスの制限を無視します。 そこで本研究では,任意の1-out-n OTをシンクライアントバージョンに変換するコンパイラを提案する。

関連論文リスト

• Non-Fungible Programs: Private Full-Stack Applications for Web3 [0.3683202928838613]
  本稿では,自己完結型アプリケーションを開発するためのNFPモデルを提案する。 NFPアプリケーションは分散ブロックチェーンで、Webテクノロジをベースとし、スマートコントラクトのプライベートデータベースによってバックアップされる。 コードへのアクセスとバックエンドサービスへのアクセスは、NFTオーナシップモデルに従ってスマートコントラクトによって制御され、保証される。
  論文  参考訳（メタデータ） (2024-04-24T03:46:18Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Towards Fast and Scalable Private Inference [2.2702420046035865]
  プライバシ保護(PPC)と呼ばれる新しいコンピューティングパラダイムが存在する。 PPC技術は、セキュアなアウトソース計算や、2つのパーティがユーザーの秘密データを公開せずに計算できるように活用することができる。 デジタル時代においてユーザー保護に革命をもたらすという驚くべき可能性にもかかわらず、その実現は計算量、通信量、ストレージのオーバーヘッドによって制限されてきた。
  論文  参考訳（メタデータ） (2023-07-09T00:55:30Z)
• FedBot: Enhancing Privacy in Chatbots with Federated Learning [0.0]
  Federated Learning(FL)は、データをその場所に保持する分散学習方法を通じて、データのプライバシを保護することを目的としている。 POCはDeep Bidirectional Transformerモデルとフェデレーション学習アルゴリズムを組み合わせて、コラボレーティブモデルトレーニング中の顧客のデータプライバシを保護する。 このシステムは、過去のインタラクションから学習する能力を活用することで、時間とともにパフォーマンスと精度を向上させるように設計されている。
  論文  参考訳（メタデータ） (2023-04-04T23:13:52Z)
• Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
  プライベート機械学習では、既存の監査メカニズムは厳格である。 彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。 我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
  論文  参考訳（メタデータ） (2023-02-15T21:40:33Z)
• Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
  大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。 公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
  論文  参考訳（メタデータ） (2022-12-13T10:41:12Z)
• Reinforcement Learning on Encrypted Data [58.39270571778521]
  本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。 その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
  論文  参考訳（メタデータ） (2021-09-16T21:59:37Z)
• De-identification of Privacy-related Entities in Job Postings [10.751883216434717]
  身元特定は、人物名、電子メール、連絡先データなどのプライバシー関連エンティティをテキストで検出するタスクである。 JobStackは、Stackoverflow上のジョブの空白における個人データの非特定のための新しいコーパスである。
  論文  参考訳（メタデータ） (2021-05-24T12:01:22Z)
• OPAL: Offline Primitive Discovery for Accelerating Offline Reinforcement Learning [107.6943868812716]
  エージェントは大量のオフライン体験データにアクセスでき、オンライン環境へのアクセスは極めて限られている。 我々の主な洞察は、様々な行動からなるオフラインデータを提示すると、このデータを活用する効果的な方法は、反復的かつ時間的に拡張された原始的行動の連続的な空間を抽出することである。 オフラインポリシ最適化のメリットに加えて,このようなオフラインプリミティブ学習の実施も,数発の模倣学習の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-26T14:31:08Z)
• InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
  視覚データに流出した個人情報を個人が制限できる技術について検討する。 我々はこの問題を新しい画像難読化フレームワークで解決する。 提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
  論文  参考訳（メタデータ） (2020-05-20T19:48:04Z)

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。