論文の概要: Mildly Accurate Computationally Differentially Private Inner Product Protocols Imply Oblivious Transfer

• arxiv url: http://arxiv.org/abs/2502.15629v1
• Date: Fri, 21 Feb 2025 17:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:09:09.645188
• Title: Mildly Accurate Computationally Differentially Private Inner Product Protocols Imply Oblivious Transfer
• Title（参考訳）: 極端に高精度な計算微分型内部製品プロトコル
• Authors: Iftach Haitner, Noam Mazor, Jad Silbak, Eliad Tsfadia, Chao Yan,
• Abstract要約: 非ブール関数を正確に推定するためには、暗黙の転送が必要であることを示す。 特に内積関数については, 最良な定数付加誤差に対しても, 不可避な移動が必要であるかどうかが従来は分かっていなかった。 以上の結果から, サブポリノミカル精度のプロトコルは, 難読転送と等価であることが示唆された。
• 参考スコア（独自算出の注目度）: 8.230958909797856
• License:
• Abstract: In distributed differential privacy, multiple parties collaboratively analyze their combined data while protecting the privacy of each party's data from the eyes of the others. Interestingly, for certain fundamental two-party functions like inner product and Hamming distance, the accuracy of distributed solutions significantly lags behind what can be achieved in the centralized model. However, under computational differential privacy, these limitations can be circumvented using oblivious transfer via secure multi-party computation. Yet, no results show that oblivious transfer is indeed necessary for accurately estimating a non-Boolean functionality. In particular, for the inner-product functionality, it was previously unknown whether oblivious transfer is necessary even for the best possible constant additive error. In this work, we prove that any computationally differentially private protocol that estimates the inner product over $\{-1,1\}^n \times \{-1,1\}^n$ up to an additive error of $O(n^{1/6})$, can be used to construct oblivious transfer. In particular, our result implies that protocols with sub-polynomial accuracy are equivalent to oblivious transfer. In this accuracy regime, our result improves upon Haitner, Mazor, Silbak, and Tsfadia [STOC '22] who showed that a key-agreement protocol is necessary.
• Abstract（参考訳）: 分散ディファレンシャルプライバシでは、複数のパーティが組み合わせたデータを共同で分析し、各パーティのデータのプライバシを他のパーティの目から保護する。 興味深いことに、内部積やハミング距離のような基本的な2要素関数では、分散ソリューションの精度は集中型モデルで達成できることよりも著しく遅れている。 しかし、計算上の差分プライバシーの下では、これらの制限は、セキュアなマルチパーティ計算による暗黙の転送によって回避できる。 しかし、非ブール関数を正確に見積もるためには、観測不可能な転送が本当に必要であることを示す結果はない。 特に内積関数については, 最良な定数付加誤差に対しても, 不可避な移動が必要であるかどうかが従来は分かっていなかった。 本研究では,${-1,1\}^n \times \{-1,1\}^n$から$O(n^{1/6})$の加法誤差まで,内部積を推定する計算的に微分プライベートなプロトコルを用いて,不規則な転送を構築することができることを示す。 特に, この結果から, サブポリノミカル精度のプロトコルは, 難読転送と等価であることが示唆された。 この精度では,ハイトナー,マザー,シルバク,ツファディア (STOC '22) が鍵蓄積プロトコルが必要であることを示した。

関連論文リスト

• Is merging worth it? Securely evaluating the information gain for causal dataset acquisition [9.373086204998348]
  我々は、マージの価値を定量化するための、最初の暗号的にセキュアな情報理論アプローチを導入する。 我々は、期待情報ゲイン(EIG)を評価し、生データを公開せずに安全に計算できることを保証するために、マルチパーティ計算を利用する。
  論文  参考訳（メタデータ） (2024-09-11T12:17:01Z)
• Enhanced Privacy Bound for Shuffle Model with Personalized Privacy [32.08637708405314]
  Differential Privacy(DP)は、ローカルユーザと中央データキュレーターの間の中間信頼サーバを導入する、強化されたプライバシプロトコルである。 これは、局所的にランダム化されたデータを匿名化しシャッフルすることで、中央のDP保証を著しく増幅する。 この研究は、各ユーザーごとにパーソナライズされたローカルプライバシを必要とする、より実践的な設定のために、中央のプライバシ境界を導出することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-25T16:11:56Z)
• Predicting generalization performance with correctness discriminators [64.00420578048855]
  未確認データに対して,金のラベルを必要とせず,精度の上下境界を確立する新しいモデルを提案する。 予測された上境界と下限の間に金の精度が確実に成立する様々なタグ付け、構文解析、意味解析タスクを示す。
  論文  参考訳（メタデータ） (2023-11-15T22:43:42Z)
• Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
  差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。 既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。 本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
  論文  参考訳（メタデータ） (2023-11-04T04:43:47Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)
• Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
  そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。 また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
  論文  参考訳（メタデータ） (2022-05-05T06:43:46Z)
• A General Framework for Treatment Effect Estimation in Semi-Supervised and High Dimensional Settings [0.0]
  我々は, より堅牢で, (2) 教師付きよりも効率的であるSS推定器群を開発した。 さらに、モデル内の正当性スコアが正しく指定されたときに、SS推定器のルート-n整合性と正規性を確立する。 我々の推定器は、すべてのニュアンス関数が正しく指定されている限り、半パラメトリックに効率的であることが示される。
  論文  参考訳（メタデータ） (2022-01-03T04:12:44Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Composably secure data processing for Gaussian-modulated continuous variable quantum key distribution [58.720142291102135]
  連続可変量子鍵分布(QKD)は、ボソニックモードの二次構造を用いて、2つのリモートパーティ間の秘密鍵を確立する。 構成可能な有限サイズセキュリティの一般的な設定におけるホモダイン検出プロトコルについて検討する。 特に、ハイレート(非バイナリ)の低密度パリティチェックコードを使用する必要のあるハイシグネチャ・ツー・ノイズ・システマを解析する。
  論文  参考訳（メタデータ） (2021-03-30T18:02:55Z)
• Breaking the Communication-Privacy-Accuracy Trilemma [19.399122892615573]
  分散学習における2つの大きな課題は、ローカルサンプルのプライバシを保持し、それらを中央サーバに効率的に伝達することである。 我々は、最適なプライバシーと通信効率を同時に達成する新しい符号化・復号機構を開発する。
  論文  参考訳（メタデータ） (2020-07-22T22:43:01Z)
• 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。