論文の概要: Adversary Resilient Learned Bloom Filters

• arxiv url: http://arxiv.org/abs/2409.06556v3
• Date: Mon, 14 Oct 2024 12:10:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 22:05:05.700445
• 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: http://creativecommons.org/licenses/by/4.0/
• 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

• Cascaded Learned Bloom Filter for Optimal Model-Filter Size Balance and Fast Rejection [12.555117983678624]
  これらの問題に対処するために,カスケード学習ブルームフィルタ (CLBF) を提案する。 動的プログラミングに基づく最適化は、モデルとフィルタサイズの間の最適なバランスを実現する構成を自動的に選択する。 実世界のデータセットでの実験では、CLBFは最先端のBloomフィルタと比較してメモリ使用量を最大24%削減し、リジェクション時間を最大14倍削減している。
  論文  参考訳（メタデータ） (2025-02-06T01:05:41Z)
• DPBloomfilter: Securing Bloom Filters with Differential Privacy [17.002793355495136]
  DPBloomfilterは、古典的な微分プライバシーメカニズム、特にランダム応答技術をブルームフィルタに統合する。 標準のBloomフィルタと同じ複雑な動作で、堅牢なプライバシー保証を提供する。 これは、メンバーシップクエリ問題に対するBloomフィルタに対して、差分プライバシー保証を提供する最初の作業である。
  論文  参考訳（メタデータ） (2025-02-02T06:47:50Z)
• A Privacy Model for Classical & Learned Bloom Filters [0.0]
  古典ブルームフィルタ (CBF) は確率データ構造 (PDS) のクラスである。 Learned Bloom Filter (LBF) は古典的ブルームフィルタと学習モデルを組み合わせた PDS のクラスである。
  論文  参考訳（メタデータ） (2025-01-27T03:35:25Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• 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)
• Compressing (Multidimensional) Learned Bloom Filters [7.6058140480517356]
  Bloomフィルタは、要素が基礎となる集合に含まれていないか、あるいは特定のエラー率に含まれていないかを明らかにする。 ディープラーニングモデルは、このメンバシップテストの問題を解決するために使用される。 学習したブルームフィルタの利点は、膨大なデータを考慮する場合にのみ明らかである。
  論文  参考訳（メタデータ） (2022-08-05T07:54:48Z)
• 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)
• 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)
• Selective Inference for Latent Block Models [50.83356836818667]
  本研究では,潜在ブロックモデルに対する選択的推論法を提案する。 我々は,潜在ブロックモデルの行と列クラスタのメンバシップの集合に対する統計的テストを構築した。 提案された正確で近似されたテストは、選択バイアスを考慮していない単純なテストと比較して効果的に機能する。
  論文  参考訳（メタデータ） (2020-05-27T10:44:19Z)

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。