論文の概要: IDCloak: A Practical Secure Multi-party Dataset Join Framework for Vertical Privacy-preserving Machine Learning

• arxiv url: http://arxiv.org/abs/2506.01072v1
• Date: Sun, 01 Jun 2025 16:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.703343
• Title: IDCloak: A Practical Secure Multi-party Dataset Join Framework for Vertical Privacy-preserving Machine Learning
• Title（参考訳）: IDCloak: 垂直的プライバシ保存機械学習のための実用的セキュアなマルチパーティデータセット結合フレームワーク
• Authors: Shuyu Chen, Guopeng Lin, Haoyu Niu, Lushan Song, Chengxun Hong, Weili Han,
• Abstract要約: 本稿では,vPPMLのための最初の実用的セキュアなマルチパーティデータセット結合フレームワークであるIDCloakを提案する。 我々は、IDCloakは、パーティ数が増えると、二者間設定において高い効率と同等の性能を示すことを示した。 提案したcmPSIプロトコルは,より強力なセキュリティ保証を提供するとともに,通信サイズが最大7.78times$と8.73times$の効率向上を実現している。
• 参考スコア（独自算出の注目度）: 7.765213701941396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vertical privacy-preserving machine learning (vPPML) enables multiple parties to train models on their vertically distributed datasets while keeping datasets private. In vPPML, it is critical to perform the secure dataset join, which aligns features corresponding to intersection IDs across datasets and forms a secret-shared and joint training dataset. However, existing methods for this step could be impractical due to: (1) they are insecure when they expose intersection IDs; or (2) they rely on a strong trust assumption requiring a non-colluding auxiliary server; or (3) they are limited to the two-party setting. This paper proposes IDCloak, the first practical secure multi-party dataset join framework for vPPML that keeps IDs private without a non-colluding auxiliary server. IDCloak consists of two protocols: (1) a circuit-based multi-party private set intersection protocol (cmPSI), which obtains secret-shared flags indicating intersection IDs via an optimized communication structure combining OKVS and OPRF; (2) a secure multi-party feature alignment protocol, which obtains the secret-shared and joint dataset using secret-shared flags, via our proposed efficient secure shuffle protocol. Experiments show that: (1) compared to the state-of-the-art secure two-party dataset join framework (iPrivjoin), IDCloak demonstrates higher efficiency in the two-party setting and comparable performance when the party number increases; (2) compared to the state-of-the-art cmPSI protocol under honest majority, our proposed cmPSI protocol provides a stronger security guarantee (dishonest majority) while improving efficiency by up to $7.78\times$ in time and $8.73\times$ in communication sizes; (3) our proposed secure shuffle protocol outperforms the state-of-the-art shuffle protocol by up to $138.34\times$ in time and $132.13\times$ in communication sizes.
• Abstract（参考訳）: 垂直的なプライバシ保存機械学習(vPPML)は、複数のパーティがデータセットをプライベートにしながら、垂直に分散したデータセット上でモデルをトレーニングすることを可能にする。 vPPMLでは、データセット間の交差点IDに対応する機能を整列し、秘密の共有と共同トレーニングデータセットを形成するセキュアなデータセット結合を実行することが重要である。 しかし、このステップの既存の方法は、(1)交差点IDを公開する際には安全でない、(2)非解決補助サーバを必要とする強い信頼の前提に頼っている、(3)二者設定に限定されている、など、実用的ではない可能性がある。 IDCloakは,非凝固補助サーバを使わずにIDをプライベートに保持する,vPPMLのための,最初の実用的なセキュアなマルチパーティデータセット結合フレームワークである。 IDCloak は,(1) OKVS と OPRF を組み合わせた最適化通信構造を用いて,交差点ID を示す秘密共有フラグを検索する回路ベースのマルチパーティ・プライベート・セット・コンカレントプロトコル (cmPSI) ,(2) 秘密共有フラグを用いて秘密共有および共同データセットを得るセキュア多パーティ特徴アライメントプロトコル,の2つのプロトコルから構成される。 実験の結果、(1)最先端のセキュアな2パーティデータセット結合フレームワーク(iPrivjoin)と比較して、IDCloakは、パーティ数が増加すると2パーティ設定の効率が向上し、同等のパフォーマンスを示す。(2)最先端のcmPSIプロトコルと比較して、提案したcmPSIプロトコルは、より強力なセキュリティ保証を提供する一方で、最大7.78\times$と8.73\times$の通信サイズの改善、(3) 提案されたセキュアシャッフルプロトコルは、最先端のシャッフルプロトコルを最大138.34\times$と132.13\times$で上回っている。

関連論文リスト

• Advancement on Security Applications of Private Intersection Sum Protocol [1.0485739694839666]
  セキュアな計算プロトコルは、関係者からの入力を組み合わせて、入力をプライベートに保ちながら出力を生成する。 プライベート・セット・インターセクション (PSI) はセキュアな計算プロトコルであり、2つのパーティが他のものを明らかにすることなくそれらのセットの交点を学習することができる。 プライベート・インターセクション・サム(PIS)は、両者が交差点の基数を学びたいときにPSIを拡張する。 Private Join and Compute (PJC) は PIS プロトコルのスケーラブルな拡張であり、組織が機密データセットと連携するのに役立つ。
  論文  参考訳（メタデータ） (2023-08-28T17:42:53Z)
• An Efficient and Multi-private Key Secure Aggregation for Federated Learning [41.29971745967693]
  フェデレート学習のための効率的かつ多目的な鍵セキュアアグリゲーション手法を提案する。 具体的には、変種ElGamal暗号を巧みに修正し、同型加算演算を実現する。 高次元深層モデルパラメータに対しては,多次元データを1次元に圧縮する超増進シーケンスを導入する。
  論文  参考訳（メタデータ） (2023-06-15T09:05:36Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [90.60126724503662]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggは、ビザンツの攻撃やプライバシーの漏洩から保護されている。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Byzantine-Robust Federated Learning with Optimal Statistical Rates and Privacy Guarantees [123.0401978870009]
  ほぼ最適な統計率を持つビザンチン・ロバスト・フェデレーション学習プロトコルを提案する。 競合プロトコルに対してベンチマークを行い、提案プロトコルの実証的な優位性を示す。 我々のバケットプロトコルは、プライバシー保証手順と自然に組み合わせて、半正直なサーバに対するセキュリティを導入することができる。
  論文  参考訳（メタデータ） (2022-05-24T04:03:07Z)
• Scotch: An Efficient Secure Computation Framework for Secure Aggregation [0.0]
  フェデレーション学習は、複数のデータ所有者がプライベートデータセットを公開せずに、機械学習モデルを共同でトレーニングすることを可能にする。 悪意のある集約サーバは、モデルパラメータを使用して、使用したトレーニングデータセットに関する機密情報を導き出すことができる。 フェデレーションアグリゲーションのための分散化テキストitm-partyセキュア計算フレームワークであるtextscScotch を提案する。
  論文  参考訳（メタデータ） (2022-01-19T17:16:35Z)

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。