論文の概要: Decentralized Multi-Authority Attribute-Based Inner-Product Functional Encryption: Noisy and Evasive Constructions from Lattices
- arxiv url: http://arxiv.org/abs/2505.11744v1
- Date: Fri, 16 May 2025 23:03:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:10.819218
- Title: Decentralized Multi-Authority Attribute-Based Inner-Product Functional Encryption: Noisy and Evasive Constructions from Lattices
- Title（参考訳）: 分散マルチオーソリティ属性に基づく内部製品機能暗号化:格子からのノイズと侵入構成
- Authors: Jiaqi Liu, Yan Wang, Fang-Wei Fu,
- Abstract要約: ノイズの多い内積機能に対するマルチオーソリティ属性に基づく機能暗号化について検討する。
我々は,(1)マルチオーソリティ属性に基づく(ノイズの多い)内積関数暗号(MA-AB(N)IPFE)と(2)マルチオーソリティ属性に基づく回避内積関数暗号(MA-evIPFE)の2つの新しいプリミティブを提案する。
我々のスキームは、標準LWE仮定と新たに導入された仮定の下でランダムオラクルモデルにおいて静的に安全であることが証明されている。
- 参考スコア（独自算出の注目度）: 26.8852774949828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study multi-authority attribute-based functional encryption for noisy inner-product functionality, and propose two new primitives: (1) multi-authority attribute-based (noisy) inner-product functional encryption (MA-AB(N)IPFE), which generalizes existing multi-authority attribute-based IPFE schemes by Agrawal et al. (TCC'21), by enabling approximate inner-product computation; and (2) multi-authority attribute-based evasive inner-product functional encryption (MA-evIPFE), a relaxed variant inspired by the evasive IPFE framework by Hsieh et al. (EUROCRYPT'24), shifting focus from ciphertext indistinguishability to a more relaxed pseudorandomness-based security notion. To support the above notions, we introduce two variants of lattice-based computational assumptions: evasive IPFE assumption and indistinguishability-based evasive IPFE assumption (IND-evIPFE). We present lattice-based constructions of both primitives for subset policies, building upon the framework of Waters et al.( TCC'22). Our schemes are proven to be statically secure in the random oracle model under the standard LWE assumption and the newly introduced assumptions. Additionally, we show our MA-AB(N)IPFE scheme can be transformed via modulus switching into a noiseless MA-IPFE scheme that supports exact inner-product functionality. This yields the first lattice-based construction of such a primitive. All our schemes support arbitrary polynomial-size attribute policies and are secure in the random oracle model under lattice assumptions with a sub-exponential modulus-to-noise ratio, making them practical candidates for noise-tolerant, fine-grained access control in multi-authority settings.
- Abstract（参考訳）: 我々は,多元性属性をベースとした内積関数暗号(MA-AB(N)IPFE)と,Hsieh et al(EUROCRYPT'24)の回避型IPFEフレームワークに着想を得た緩和型である多元性属性ベースの内積関数暗号(MA-evIPFE)の2つの新しいプリミティブを提案し,その1つは,Agrawal et al(TCC'21)による既存の多元性属性ベースのIPFEスキームを一般化し,近似内積演算を可能にすること,および2つは,Hsieh et al(EUROCRYPT'24)による多元性属性ベースの内積関数暗号(MA-evIPFE)である。
上記の概念を支持するために, 格子型計算仮定の変種として, 回避型IPFE仮定と識別不能型IPFE仮定(IND-evIPFE)を導入する。
本稿では,Waters et al (TCC'22) のフレームワーク上に構築された,サブセットポリシーのための2つのプリミティブの格子構造について述べる。
我々のスキームは、標準LWE仮定と新たに導入された仮定の下でランダムオラクルモデルにおいて静的に安全であることが証明されている。
さらに,MA-AB(N)IPFE方式は,ノイズのないMA-IPFE方式に変換可能であることを示す。
これはそのような原始体を格子ベースで構築する最初の方法である。
全てのスキームは任意の多項式サイズ特性ポリシーをサポートし,マルチオーソリティ設定における雑音耐性・きめ細粒度アクセス制御の実用的候補となっている。
関連論文リスト
- A Training Framework for Optimal and Stable Training of Polynomial Neural Networks [0.462761393623313]
PNN(Polynomial Neural Networks)は、HEによるプライバシ保護暗号化などのアプリケーションにおいて重要な機能である。
低次はモデル表現性を制限することができるが、高次は数値不安定性や勾配爆発に悩まされることが多い。
本稿は,1)所定の安定範囲外において入力を指数関数的にペナルティ化する境界損失,2)本質的な正規化統計を保ちながら,勾配を効果的にテーパーする選択的な勾配クリッピング,の2つの革新を特徴とする,堅牢で汎用的なトレーニングフレームワークを紹介する。
論文 参考訳（メタデータ） (2025-05-16T18:00:02Z) - Enhancing Noisy Functional Encryption for Privacy-Preserving Machine Learning [0.0]
関数暗号(FE)はプライバシー保護機械学習(PPML)に関心を寄せている。
我々はノイズ多入力関数暗号(NMIFE)の概念を(動的)雑音多クライアント関数暗号((Dy)NMCFE)に拡張する。
論文 参考訳（メタデータ） (2025-05-09T07:33:09Z) - A Unified Framework and Efficient Computation for Privacy Amplification via Shuffling [6.702635586444281]
本稿では,全分解分析を捉える統一的な視点-テキストジェネラル・クローン・パラダイム-を提示する。
このフレームワーク内での最適分解を同定し、厳密なプライバシー増幅境界を計算するために、FFT(Fast Fourier Transform)に基づく単純で効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2025-04-10T03:11:17Z) - Exploiting Mixture-of-Experts Redundancy Unlocks Multimodal Generative Abilities [69.26544016976396]
我々は、新しいモダリティを学ぶための追加能力の源として、Mixture-of-Experts(MoEs)内の冗長性を利用する。
我々は、新しいモダリティのトークンのみに低ランク適応を適用することで、オリジナルの言語生成能力を保ちます。
論文 参考訳（メタデータ） (2025-03-28T15:21:24Z) - Multi-modal biometric authentication: Leveraging shared layer architectures for enhanced security [0.0]
本稿では, 顔, 声, 署名データを統合し, セキュリティ対策を強化する新しい生体認証システムを提案する。
我々のモデルアーキテクチャは、包括的な特徴抽出のためのモダリティ固有の拡張とともに、二重共有層を組み込んでいる。
提案手法は,認証精度とロバスト性を大幅に向上させ,高度にセキュアなID認証ソリューションを実現する。
論文 参考訳（メタデータ） (2024-11-04T14:27:10Z) - Non-stationary Reinforcement Learning under General Function
Approximation [60.430936031067006]
まず,非定常MDPに対する動的ベルマンエルダー次元(DBE)と呼ばれる新しい複雑性指標を提案する。
提案する複雑性指標に基づいて,SW-OPEAと呼ばれる新しい信頼度セットに基づくモデルフリーアルゴリズムを提案する。
SW-OPEAは,変動予算がそれほど大きくない限り,有効に有効であることを示す。
論文 参考訳（メタデータ） (2023-06-01T16:19:37Z) - Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。
我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
論文 参考訳（メタデータ） (2023-03-15T15:00:20Z) - Interpreting Primal-Dual Algorithms for Constrained Multiagent
Reinforcement Learning [4.67306371596399]
ほとんどのC-MARLアルゴリズムは、報酬に付加されるペナルティ関数を通じて制約を強制するために、プリマル・デュアルアプローチを使用する。
制約関数をペナルティとして使用する標準的な慣行が安全性の弱い概念に繋がることを示す。
本稿では,制約付きマルチエージェント・アドバンスト・アクター・アトラクション (C-MAA2C) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-29T10:23:26Z) - Benefits of Monotonicity in Safe Exploration with Gaussian Processes [50.71125084216603]
動作の集合上で未知の関数を逐次最大化する問題を考察する。
M-SafeUCBは、安全性、適切に定義された後悔の念、安全境界全体の発見という理論的な保証を享受していることを示す。
論文 参考訳（メタデータ） (2022-11-03T02:52:30Z) - A^2-FPN: Attention Aggregation based Feature Pyramid Network for
Instance Segmentation [68.10621089649486]
アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。
A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
論文 参考訳（メタデータ） (2021-05-07T11:51:08Z) - Implicit Distributional Reinforcement Learning [61.166030238490634]
2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC)
半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。
我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
論文 参考訳（メタデータ） (2020-07-13T02:52:18Z)
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。