論文の概要: Adversary Resilient Learned Bloom Filters
- arxiv url: http://arxiv.org/abs/2409.06556v2
- Date: Tue, 08 Oct 2024 00:09:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-10 14:24:57.209169
- Title: Adversary Resilient Learned Bloom Filters
- Title(参考訳): 逆レジリエント学習ブルームフィルタ
- Authors: Allison Bishop, Hayder Tirmazi,
- Abstract要約: 本研究では,学習ブルームフィルタの強敵対モデルを定義する。
擬似乱数置換が存在する場合、逆Resilient Learned Bloom Filterは2lambda$余分なメモリで構築できることを示す。
クエリのごく一部が相手によって選択される場合のハイブリッド逆数モデルを構築する。
- 参考スコア(独自算出の注目度): 0.4910937238451484
- License:
- Abstract: Creating an adversary resilient construction of the Learned Bloom Filter with provable guarantees is an open problem. We define a strong adversarial model for the Learned Bloom Filter. Our adversarial model extends an existing adversarial model designed for the Classical (i.e not ``Learned'') Bloom Filter by prior work and considers computationally bounded adversaries that run in probabilistic polynomial time (PPT). Using our model, we construct an adversary resilient variant of the Learned Bloom Filter called the Downtown Bodega Filter. We show that: if pseudo-random permutations exist, then an Adversary Resilient Learned Bloom Filter may be constructed with $2\lambda$ extra bits of memory and at most one extra pseudo-random permutation in the critical path. We construct a hybrid adversarial model for the case where a fraction of the query workload is chosen by an adversary. We show realistic scenarios where using the Downtown Bodega Filter gives better performance guarantees compared to alternative approaches in this hybrid model.
- Abstract(参考訳): 証明可能な保証付き学習ブルームフィルタの逆レジリエントな構築を作成することは、オープンな問題である。
本研究では,学習ブルームフィルタの強敵対モデルを定義する。
我々の逆数モデルは、従来の作業により古典的(すなわち ``Learned'' ではない)ブルームフィルタのために設計された既存の逆数モデルを拡張し、確率多項式時間(PPT)で実行される計算的に有界な逆数を考える。
本稿では,本モデルを用いて,ボデガ中心街フィルタと呼ばれる学習ブルームフィルタの逆レジリエントな変種を構築した。
擬似ランダム置換が存在する場合、逆レジリエント学習ブルームフィルタは2\lambda$余分なメモリと、クリティカルパス内の少なくとも1つの擬似ランダム置換で構築できる。
クエリのワークロードのごく一部が相手によって選択される場合のハイブリッド逆数モデルを構築する。
ボデガ中心街フィルタを用いた場合、このハイブリッドモデルでは代替手法に比べて性能保証が優れているという現実的なシナリオを示す。
関連論文リスト
- Crooked indifferentiability of the Feistel Construction [53.572703605492904]
Feistelの構築は擬似乱数置換とブロック暗号を構築するための基本的な技術である。
本稿では, アルゴリズム置換攻撃に対しても, 簡単な構成法が適用可能であることを示す。
論文 参考訳(メタデータ) (2024-04-15T04:29:24Z) - Correcting Subverted Random Oracles [55.4766447972367]
簡単な構成は、少数の入力で元のものと矛盾する「反転」ランダムオラクルを、ランダム関数から微分不可能な対象に変換することができることを証明している。
この結果から, 暗号プリミティブの設計者は, 通常のクリプトグラフィ設定で, ランダムなオラクルを信頼できるブラックボックスとして使用することができる。
論文 参考訳(メタデータ) (2024-04-15T04:01:50Z) - The Power of Linear Combinations: Learning with Random Convolutions [2.0305676256390934]
現代のCNNは、ランダムな(空間的な)畳み込みフィルタを更新することなく、高いテスト精度を達成することができる。
これらのランダムフィルタの組み合わせは、結果の操作を暗黙的に正規化することができる。
私たちは3ドル3セントの畳み込みを学習することで比較的小さな利益しか得られないが、学習率はカーネルサイズに比例して増加する。
論文 参考訳(メタデータ) (2023-01-26T19:17:10Z) - A Critical Analysis of Classifier Selection in Learned Bloom Filters [0.3359875577705538]
フィルタ構築に使用されるデータの"複雑さ"は、そのパフォーマンスに大きく影響する可能性がある。
本稿では,学習ブルームフィルタの設計,解析,実装のための新しい手法を提案する。
提案手法とサポートソフトウェアは有効かつ有用であることを示す実験結果が得られた。
論文 参考訳(メタデータ) (2022-11-28T17:17:18Z) - Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。
本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。
ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文 参考訳(メタデータ) (2021-09-20T06:07:14Z) - Convex Sparse Blind Deconvolution [5.316642466238073]
未知のフィルタと未知の信号の畳み込みを観察し,フィルタと信号の再構成を試みる。
この問題は一般には不可能に思える。
凸最適化問題により、近似を真のフィルタに変換することで、真のフィルタの高精度回復を実現することができることを示す。
論文 参考訳(メタデータ) (2021-06-13T17:39:26Z) - Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。
アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。
我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文 参考訳(メタデータ) (2021-06-02T19:15:34Z) - Adversarial Robustness by Design through Analog Computing and Synthetic
Gradients [80.60080084042666]
光コプロセッサにインスパイアされた敵攻撃に対する新しい防御機構を提案する。
ホワイトボックス設定では、我々の防御はランダム投影のパラメータを難読化することで機能する。
光学系におけるランダムプロジェクションとバイナライゼーションの組み合わせにより、様々な種類のブラックボックス攻撃に対するロバスト性も向上する。
論文 参考訳(メタデータ) (2021-01-06T16:15:29Z) - Training Interpretable Convolutional Neural Networks by Differentiating
Class-specific Filters [64.46270549587004]
畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。
CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。
本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-16T09:12:26Z) - Partitioned Learned Bloom Filter [31.748077944821315]
最適化問題として最適モデル利用の問題の枠組みを示す。
多くの場合、ほぼ最適性能を達成できるアルゴリズムを導出する。
論文 参考訳(メタデータ) (2020-06-05T00:05:32Z) - Superbloom: Bloom filter meets Transformer [20.4500657531462]
自然言語モデルにおける単語片のアイデアを、不透明なID上の機械学習タスクに拡張する。
ハッシュ関数を適用して、Bloomフィルタと同様に、より小さな空間で各idを複数のハッシュトークンにマッピングする。
このBloomフィルタダイジェストに多層トランスフォーマーを適用することで,高精度なモデルが得られることを示す。
論文 参考訳(メタデータ) (2020-02-11T22:52:40Z)
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。