論文の概要: Dual-Source SPIR over a noiseless MAC without Data Replication or Shared Randomness

• arxiv url: http://arxiv.org/abs/2503.14682v1
• Date: Tue, 18 Mar 2025 19:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:21:31.306866
• Title: Dual-Source SPIR over a noiseless MAC without Data Replication or Shared Randomness
• Title（参考訳）: データ重複や共有ランダム性のないノイズレスMAC上のデュアルソースSPIR
• Authors: Remi A. Chou,
• Abstract要約: Symmetric Private Information Retrieval (SPIR) は、単一のサーバを持つノイズレスチャネルに対して無効であることが知られている。 本稿では,情報理論のセキュリティ保証でSPIRを実現するための代替手法を提案する。
• 参考スコア（独自算出の注目度）: 1.9943074894669663
• License:
• Abstract: Information-theoretically secure Symmetric Private Information Retrieval (SPIR) is known to be infeasible over noiseless channels with a single server. Known solutions to overcome this infeasibility involve additional resources such as database replication, shared randomness, or noisy channels. In this paper, we propose an alternative approach for achieving SPIR with information-theoretic security guarantees, without relying on shared randomness, noisy channels, or data replication. Specifically, we demonstrate that it is sufficient to use a noiseless binary adder multiple-access channel, where inputs are controlled by two non-colluding servers and the output is observed by the client, alongside a public noiseless communication channel between the client and the servers. Furthermore, in this setting, we characterize the optimal file rates, i.e., the file lengths normalized by the number of channel uses, that can be transferred.
• Abstract（参考訳）: 情報理論的にセキュアなSymmetric Private Information Retrieval (SPIR) は、単一のサーバを持つノイズレスチャネルに対して実現不可能であることが知られている。 この脆弱性を克服するための既知のソリューションには、データベースのレプリケーション、共有ランダム性、ノイズの多いチャネルなどの追加リソースが含まれる。 本稿では,共有ランダム性,ノイズチャネル,データ複製に頼ることなく,情報理論のセキュリティ保証でSPIRを実現するための代替手法を提案する。 具体的には、2つの非凝固サーバによって入力が制御され、クライアントとサーバ間の公開ノイズレス通信チャネルと共に出力がクライアントによって観測される、ノイズレスバイナリ加算器多重アクセスチャネルを使用することが十分であることを示す。 さらに、この設定では、最適なファイルレート、すなわち、転送可能なチャネル使用数によって正規化されたファイル長を特徴付ける。

関連論文リスト

• String commitment from unstructured noisy channels [53.04878543623513]
  ノイズの多いチャネルは暗号にとって貴重なリソースであり、ビットコミットメントや暗黙の転送のようなプリミティブを可能にする。 本稿では,完全かつ隠れ,結合可能なチャネルに対する文字列コミットメントプロトコルを提案し,その達成可能なコミットメント率を導出する。 コミットメント率は、逆チャネルが正直な場合と同じ二進対称チャネルである場合の以前の結果と一致する。
  論文  参考訳（メタデータ） (2024-12-31T05:28:05Z)
• Noise-Aware Algorithm for Heterogeneous Differentially Private Federated Learning [21.27813247914949]
  本稿では,クライアントモデル更新における真のノイズレベルを効率的に推定するRobust-HDPを提案する。 ユーティリティと収束速度を改善し、不正なプライバシパラメータをサーバに送信する可能性のあるクライアントに対して安全である。
  論文  参考訳（メタデータ） (2024-06-05T17:41:42Z)
• Privacy-Aware Joint Source-Channel Coding for image transmission based on Disentangled Information Bottleneck [27.929075969353764]
  現在のプライバシを意識したジョイントソースチャネル符号化(JSCC)は、J SCCエンコーダとデコーダを敵対的に訓練することで、プライベート情報伝送を回避することを目的としている。 不整合情報ボトルネック(DIB-PAJSCC)に基づく新しいプライバシ対応J SCCを提案する。 また,DIB-PAJSCCは,従来の手法と比較して,プライベート情報の盗聴精度を最大20%低減できることを示した。
  論文  参考訳（メタデータ） (2023-09-15T06:34:22Z)
• Federated Learning in Wireless Networks via Over-the-Air Computations [0.0]
  マルチエージェントシステムでは、エージェントは推定モデルパラメータを交換することで、データからモデルを協調的に学習することができる。 この戦略は、しばしばフェデレートラーニングと呼ばれ、主に2つの理由から採用されている: (i) 潜在的に大きなデータセットを共有することを避けて、リソース効率を改善すること(ii) ローカルエージェントのデータプライバシーを保証すること。 オーバー・ザ・エア・コンピュテーション(Over-the-Air Computation)と呼ばれる5Gを超える通信戦略を採用することで、効率をさらに向上させることができる。
  論文  参考訳（メタデータ） (2023-05-08T11:12:22Z)
• Secure and Private Source Coding with Private Key and Decoder Side Information [139.515333493829]
  複数の端末によるセキュアなソース符号化の問題は、ノイズ測定がランダム変数の相関性を持つリモートソースを考慮し、拡張する。 問題に対する主な追加は、1)すべての端末が非因果的にリモートソースのノイズ測定を観察すること、2)秘密鍵がすべての正統な端末で利用可能であること、3)エンコーダとデコーダとの間の公開通信リンクがレート制限であること、(4)イーブスドロップパーへの秘密漏洩がエンコーダ入力に関して測定され、一方、プライバシリークはリモートソースに対して測定される。
  論文  参考訳（メタデータ） (2022-05-10T17:51:28Z)
• Privacy-Aware Communication Over the Wiretap Channel with Generative Networks [34.6578234382717]
  エンド・ツー・エンド・ラーニング(エンド・ツー・エンド・ラーニング)を用いて,ワイアタップ・チャネル上でのプライバシ・アウェア・コミュニケーションについて検討する。 可変オートエンコーダ (VAE) を用いたジョイントソースチャネル符号化 (JSCC) を用いたデータ駆動方式を提案する。
  論文  参考訳（メタデータ） (2021-10-08T12:47:24Z)
• AirMixML: Over-the-Air Data Mixup for Inherently Privacy-Preserving Edge Machine Learning [54.52660257575346]
  ネットワークエッジにおけるプライバシー保護型機械学習フレームワークであるAirMixMLを提案する。 AirMixMLでは、複数のワーカーがプライベートデータサンプルのアナログ変調信号をエッジサーバに送信し、受信したノイズと重ね合わせのサンプルを使用してMLモデルをトレーニングします。 シミュレーションにより,dirmix(alpha)-pc設計ガイドラインを提供し,精度,プライバシ,エネルギー効率を向上させる。
  論文  参考訳（メタデータ） (2021-05-02T05:45:43Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)
• A Non-Stationary Bandit-Learning Approach to Energy-Efficient Femto-Caching with Rateless-Coded Transmission [98.47527781626161]
  小セルネットワークにおける共同キャッシュと送信のためのリソース割り当て問題について検討する。 次に、各放送ラウンドの送信電力レベルとともに、キャッシュからファイルを選択するという問題を定式化する。 最先端の研究とは対照的に、提案手法は時変統計特性を持つネットワークに特に適している。
  論文  参考訳（メタデータ） (2020-04-13T09:07:17Z)

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。