論文の概要: Keyed Chaotic Masking: A Functional Privacy Framework for Neural Inference
- arxiv url: http://arxiv.org/abs/2505.23655v2
- Date: Fri, 30 May 2025 10:56:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-02 12:43:13.160433
- Title: Keyed Chaotic Masking: A Functional Privacy Framework for Neural Inference
- Title（参考訳）: Keyed Chaotic Masking - ニューラルネットワークのための機能プライバシフレームワーク
- Authors: Peter David Fagan,
- Abstract要約: この研究は、キー付きカオスマスキングに基づくプライバシ保護ニューラルネットワーク推論のための軽量フレームワークを導入している。
本稿では,グラフサンプリング,動的ルール選択,カオス診断などのマスキングシステムの構築について述べる。
このフレームワークは、現代のAIシステムにおけるユーザ制御プライバシのための実用的でモジュール化されたビルディングブロックを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work introduces a lightweight framework for privacy-preserving neural network inference based on keyed chaotic masking a deterministic, user-specific obfuscation method derived from cryptographically seeded chaotic dynamical systems. The approach applies masks to input and output tensors using key-conditioned graph dynamics, enabling authenticated inference, user attribution, and soft output watermarking without modifying model architectures. While the underlying chaotic system used to generate each mask is not analytically invertible, the masking operation itself is algebraically reversible by authorized key holders, offering functional privacy without formal cryptographic guarantees. Unlike traditional encryption or secure multi-party computation, this method operates in continuous space and imposes minimal computational overhead. We describe the construction of the masking system, including graph sampling, dynamical rule selection, and chaos diagnostics. Applications include privacy-preserving inference, secure data contribution, and per-user watermarking in shared model pipelines. This framework offers a practical and modular building block for user-controlled privacy in modern AI systems.
- Abstract（参考訳）: この研究は、暗号的にシードされたカオス力学系から導かれる決定論的、ユーザ固有の難読化手法であるキー付きカオスマスキングに基づく、プライバシ保護ニューラルネットワーク推論のための軽量フレームワークを導入する。
この手法は、キー条件付きグラフ力学を用いてテンソルの入力と出力にマスクを適用し、モデルアーキテクチャを変更することなく、認証された推論、ユーザの属性、およびソフトな出力透かしを可能にする。
各マスクの生成に使用されるカオスシステムは解析的に逆転しないが、マスキング操作そのものは認証された鍵保持者によって代数的に可逆であり、正式な暗号化保証なしで機能的なプライバシーを提供する。
従来の暗号化やセキュアなマルチパーティ計算とは異なり、この手法は連続空間で動作し、最小限の計算オーバーヘッドを課す。
本稿では,グラフサンプリング,動的ルール選択,カオス診断などのマスキングシステムの構築について述べる。
アプリケーションには、プライバシ保護の推論、セキュアなデータコントリビューション、共有モデルパイプラインでのユーザ毎の透かしが含まれる。
このフレームワークは、現代のAIシステムにおけるユーザ制御プライバシのための実用的でモジュール化されたビルディングブロックを提供する。
関連論文リスト
- Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Towards Quantum Resilience: Data-Driven Migration Strategy Design [0.0]
本稿では,量子攻撃に対する従来の暗号手法の脆弱性について,徹底的に検討する。
組織が緩和計画を推奨し、量子後暗号への適切な移行戦略を決定するのを支援するための意思決定支援フレームワークを提供する。
論文 参考訳（メタデータ） (2025-05-09T11:12:09Z) - Dreaming Learning [41.94295877935867]
機械学習システムに新しい情報を導入することは、以前に格納されたデータに干渉する可能性がある。
スチュアート・カウフマンの随伴可能性の概念に着想を得た学習アルゴリズムを提案する。
ニューラルネットワークは、予想と異なる統計特性を持つデータシーケンスを円滑に受け入れ、統合することを前提としている。
論文 参考訳（メタデータ） (2024-10-23T09:17:31Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-02-11T21:07:30Z) - GSmooth: Certified Robustness against Semantic Transformations via
Generalized Randomized Smoothing [40.38555458216436]
一般的な意味変換に対する堅牢性を証明するための統一的な理論的枠組みを提案する。
GSmoothフレームワークでは,画像と画像の代理ネットワークを用いて複雑な変換を近似するスケーラブルなアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-09T07:12:17Z) - Defensive Tensorization [113.96183766922393]
本稿では,ネットワークの遅延高次分解を利用した対角防御手法であるテンソル防御手法を提案する。
我々は,標準画像分類ベンチマークにおけるアプローチの有効性を実証的に実証した。
我々は,音声タスクとバイナリネットワークを考慮し,ドメイン間のアプローチと低精度アーキテクチャの汎用性を検証した。
論文 参考訳（メタデータ） (2021-10-26T17:00:16Z)
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。