論文の概要: A Study on Privacy-Preserving Scholarship Evaluation Based on Decentralized Identity and Zero-Knowledge Proofs
- arxiv url: http://arxiv.org/abs/2510.25477v1
- Date: Wed, 29 Oct 2025 12:56:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.580638
- Title: A Study on Privacy-Preserving Scholarship Evaluation Based on Decentralized Identity and Zero-Knowledge Proofs
- Title（参考訳）: 分散型アイデンティティとゼロ知識証明に基づくプライバシ保護学習評価に関する研究
- Authors: Yi Chen, Bin Chen, Peichang Zhang, Da Che,
- Abstract要約: 本稿では,分散アイデンティティ(DID)とゼロ知識証明(ZKP)に基づく奨学金評価システムを提案する。
システムは多次元ZKPをオフチェーンで集約し、スマートコントラクトは生のスコアや計算の詳細を明らかにすることなく評価基準の遵守を検証する。
- 参考スコア（独自算出の注目度）: 11.578640656223891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional centralized scholarship evaluation processes typically require students to submit detailed academic records and qualification information, which exposes them to risks of data leakage and misuse, making it difficult to simultaneously ensure privacy protection and transparent auditability. To address these challenges, this paper proposes a scholarship evaluation system based on Decentralized Identity (DID) and Zero-Knowledge Proofs (ZKP). The system aggregates multidimensional ZKPs off-chain, and smart contracts verify compliance with evaluation criteria without revealing raw scores or computational details. Experimental results demonstrate that the proposed solution not only automates the evaluation efficiently but also maximally preserves student privacy and data integrity, offering a practical and trustworthy technical paradigm for higher education scholarship programs.
- Abstract（参考訳）: 従来の中央集権的な奨学金評価プロセスでは、学生は詳細な学術記録や資格情報を提出する必要があるが、これはデータ漏洩や誤用の危険にさらされ、同時にプライバシー保護と透明な監査性を確保することが困難である。
これらの課題に対処するために、分散アイデンティティ(DID)とゼロ知識証明(ZKP)に基づく奨学金評価システムを提案する。
システムは多次元ZKPをオフチェーンで集約し、スマートコントラクトは生のスコアや計算の詳細を明らかにすることなく評価基準の遵守を検証する。
実験の結果,提案手法は評価を効率よく自動化するだけでなく,生徒のプライバシとデータの整合性を最大限に保ち,高等教育奨学金プログラムの実践的で信頼性の高い技術パラダイムを提供することが示された。
関連論文リスト
- A Scalable, Privacy-Preserving Decentralized Identity and Verifiable Data Sharing Framework based on Zero-Knowledge Proofs [9.654506373807852]
本稿では,DIDとVCを効率的にZero-Knowledge Proofスキームに統合する,新しい包括的フレームワークを提案する。
まず、zk-STARKをベースとした強力なプライバシ保護プロトコルのセットを構築する。
第二に、暗号化アキュムレータをベースとした、スケーラブルでプライバシ保護の資格取り消し機構を設計する。
第3に、実用的なソーシャルキー回復スキームを統合し、システムのユーザビリティとセキュリティを大幅に強化する。
論文 参考訳（メタデータ） (2025-10-10T06:06:05Z) - Identity Theft in AI Conference Peer Review [50.18240135317708]
人工知能(AI)研究における科学的ピアレビュープロセスにおいて,新たに発見されたID盗難事例について論じる。
論文評価の操作に不正なレビュアープロファイルを作成することにより、不正直な研究者がピアレビューシステムをどのように活用するかを詳述する。
論文 参考訳（メタデータ） (2025-08-06T02:36:52Z) - Detect \& Score: Privacy-Preserving Misbehaviour Detection and Contribution Evaluation in Federated Learning [57.35282510032077]
セキュアアグリゲーションによるフェデレーション学習は、機密性の高いクライアント情報を漏洩することなく、分散データからプライベートおよびコラボレーティブな学習を可能にする。
コントリビューション評価(CE)と誤行動検出(MD)には,それぞれQIとFedGTが提案された。
我々はQIとFedGTの強みを組み合わせ、ロバストMDと正確なCEを両立させる。
論文 参考訳（メタデータ） (2025-06-30T07:40:18Z) - Rectifying Privacy and Efficacy Measurements in Machine Unlearning: A New Inference Attack Perspective [42.003102851493885]
本稿では,不正確な未学習手法の評価において重要なギャップに対処するため,RULI (Rectified Unlearning Evaluation Framework via Likelihood Inference)を提案する。
RULIは、未学習の有効性とプライバシリスクをサンプルごとの粒度で測定するために、二重目的攻撃を導入している。
既存の手法で過小評価されているプライバシーリスクを暴露し,最先端のアンラーニング手法の重大な脆弱性を明らかにした。
論文 参考訳（メタデータ） (2025-06-16T00:30:02Z) - Differential Privacy in Machine Learning: From Symbolic AI to LLMs [49.1574468325115]
差別化プライバシは、プライバシーリスクを軽減するための正式なフレームワークを提供する。
単一のデータポイントの包含や除外がアルゴリズムの出力を著しく変更しないことを保証する。
論文 参考訳（メタデータ） (2025-06-13T11:30:35Z) - Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。
我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。
その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
論文 参考訳（メタデータ） (2025-03-12T19:06:25Z) - FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳（メタデータ） (2024-11-05T11:42:26Z) - Zero-Knowledge Proof-based Verifiable Decentralized Machine Learning in Communication Network: A Comprehensive Survey [31.111210313340454]
マシンラーニングに対する分散型アプローチは、信頼性と妥当性に関する課題を導入します。
我々はZKP-VML(Zero-Knowledge Proof-based Verifiable Machine Learning)の総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-10-23T12:15:23Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z)
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。