論文の概要: Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2508.07044v1
• Date: Sat, 09 Aug 2025 17:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.671112
• Title: Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption
• Title（参考訳）: プライバシーと効率のバランスをとる: 付加的同型暗号化による音楽情報検索
• Authors: William Zerong Wang, Dongfang Zhao,
• Abstract要約: 生成AIの時代において、音楽データのプライバシを確保することは、ユニークな課題である。 著作権ライセンスのような伝統的手法は、これらの抽象数学的表現を限定的に保護する。 プライバシー保護類似性検索を実現するために,音楽埋め込みの内積を通した効率的なAHEベースのソリューションを提案する。
• 参考スコア（独自算出の注目度）: 1.1701842638497677
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the era of generative AI, ensuring the privacy of music data presents unique challenges: unlike static artworks such as images, music data is inherently temporal and multimodal, and it is sampled, transformed, and remixed at an unprecedented scale. These characteristics make its core vector embeddings, i.e, the numerical representations of the music, highly susceptible to being learned, misused, or even stolen by models without accessing the original audio files. Traditional methods like copyright licensing and digital watermarking offer limited protection for these abstract mathematical representations, thus necessitating a stronger, e.g., cryptographic, approach to safeguarding the embeddings themselves. Standard encryption schemes, such as AES, render data unintelligible for computation, making such searches impossible. While Fully Homomorphic Encryption (FHE) provides a plausible solution by allowing arbitrary computations on ciphertexts, its substantial performance overhead remains impractical for large-scale vector similarity searches. Given this trade-off, we propose a more practical approach using Additive Homomorphic Encryption (AHE) for vector similarity search. The primary contributions of this paper are threefold: we analyze threat models unique to music information retrieval systems; we provide a theoretical analysis and propose an efficient AHE-based solution through inner products of music embeddings to deliver privacy-preserving similarity search; and finally, we demonstrate the efficiency and practicality of the proposed approach through empirical evaluation and comparison to FHE schemes on real-world MP3 files.
• Abstract（参考訳）: 生成AIの時代において、音楽データのプライバシーを確保することは、画像のような静的なアートワークとは異なり、音楽データは本質的に時間的かつマルチモーダルであり、前例のない規模でサンプリング、変換、リミックスされる。 これらの特徴は、その中心となるベクトル埋め込み、すなわち音楽の数値表現を、オリジナルのオーディオファイルにアクセスすることなく、学習、誤用、あるいはモデルによって盗まれることに対して非常に感受性が高いものにしている。 著作権ライセンスやデジタル透かしのような伝統的手法は、これらの抽象的な数学的表現を限定的に保護するので、埋め込みそのものを保護するための、より強力な暗号的アプローチを必要とする。 AESのような標準的な暗号化スキームは、計算には理解できないデータをレンダリングするので、そのような検索は不可能である。 FHE(Fully Homomorphic Encryption)は、暗号文上の任意の計算を可能にすることで、有効なソリューションを提供するが、大規模なベクトル類似性探索では、その性能上のオーバーヘッドは実現不可能である。 このトレードオフを考慮し,ベクトル類似性探索にAHE(Additive Homomorphic Encryption)を用いたより実用的な手法を提案する。 本論文の主な貢献は,音楽情報検索システムに特有の脅威モデルの解析,理論的解析,および音楽埋め込みの内積による効率的なAHEベースのソリューションの提案,そして,実世界のMP3ファイルにおけるFHEスキームとの比較を通じて,提案手法の有効性と実用性を示すことである。

関連論文リスト

• A Note on Efficient Privacy-Preserving Similarity Search for Encrypted Vectors [1.3824176915623292]
  従来のベクトル類似性探索手法では、完全同型暗号(FHE)を用いて復号化せずに計算が可能であった。 この研究は、より効率的な代替手段を探究する: プライバシー保護類似性検索に加法的同型暗号(AHE)を使用する。 本稿では,AHE で暗号化された類似性探索のアルゴリズムを提案し,そのエラーの増大とセキュリティへの影響を解析する。
  論文  参考訳（メタデータ） (2025-02-20T06:07:04Z)
• Mixing Algorithm for Extending the Tiers of the Unapparent Information Send through the Audio Streams [0.0]
  機密性および効率性は、ステガノグラフィーの関与によって得ることができる。 本稿では,ロバスト性,セキュリティ,キャパシティの隠蔽性に基づいて,性能に応じた経路を解析し,提案する。
  論文  参考訳（メタデータ） (2025-02-18T05:08:45Z)
• Encrypted Large Model Inference: The Equivariant Encryption Paradigm [18.547945807599543]
  Equivariant Encryption(EE)は,暗号化されたデータに対して,性能上のオーバーヘッドがゼロに近いセキュアな"盲目"推論を可能にするように設計された,新しいパラダイムである。 計算グラフ全体を暗号化する完全同型アプローチとは異なり、EEはニューラルネットワーク層内の重要な内部表現を選択的に難読化する。 EEは高い忠実性とスループットを維持しており、ロバストなデータの機密性と、現代的な大規模モデル推論の厳密な効率要件の間のギャップを効果的に埋めています。
  論文  参考訳（メタデータ） (2025-02-03T03:05:20Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Gradient-based facial encoding for key generation to encrypt and decrypt multimedia data [0.873811641236639]
  パスワードに依存するセキュリティシステムは、忘れられたり、推測されたり、違反されたりすることに対して脆弱である。 本稿では,これらの問題に対処するために顔認識技術を利用したバイオ暗号システムを提案する。 提案システムは、顔の特徴から派生した32ビットの暗号鍵を作成する。
  論文  参考訳（メタデータ） (2024-12-09T19:12:17Z)
• Robust Representation Learning for Privacy-Preserving Machine Learning: A Multi-Objective Autoencoder Approach [0.9831489366502302]
  プライバシー保護機械学習(ppML)のための堅牢な表現学習フレームワークを提案する。 提案手法は,多目的方式でオートエンコーダを訓練することを中心に,符号化部からの潜伏と学習の特徴を符号化形式として結合する。 提案したフレームワークでは、元のフォームを公開せずに、データを共有し、サードパーティツールを使用することができます。
  論文  参考訳（メタデータ） (2023-09-08T16:41:25Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• 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)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。