論文の概要: Reliable and Private Utility Signaling for Data Markets
- arxiv url: http://arxiv.org/abs/2511.07975v1
- Date: Wed, 12 Nov 2025 01:31:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.575197
- Title: Reliable and Private Utility Signaling for Data Markets
- Title（参考訳）: データ市場のための信頼性とプライベートなユーティリティシグナリング
- Authors: Li Peng, Jiayao Zhang, Yihang Wu, Weiran Liu, Jinfei Liu, Zheng Yan, Kui Ren, Lei Zhang, Lin Qu,
- Abstract要約: 本稿では,この利点を考察し,望ましいシグナリング機構のための非TCPベース構築法を開発した。
本稿では、悪意あるセキュアなマルチパーティ計算(MPC)を活用して、信号堅牢性のプライバシーとロバスト性を確保することを提案する。
MPCに基づくKNN-Shapley法の設計と最適化について検討した。
- 参考スコア（独自算出の注目度）: 26.484324420593953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The explosive growth of data has highlighted its critical role in driving economic growth through data marketplaces, which enable extensive data sharing and access to high-quality datasets. To support effective trading, signaling mechanisms provide participants with information about data products before transactions, enabling informed decisions and facilitating trading. However, due to the inherent free-duplication nature of data, commonly practiced signaling methods face a dilemma between privacy and reliability, undermining the effectiveness of signals in guiding decision-making. To address this, this paper explores the benefits and develops a non-TCP-based construction for a desirable signaling mechanism that simultaneously ensures privacy and reliability. We begin by formally defining the desirable utility signaling mechanism and proving its ability to prevent suboptimal decisions for both participants and facilitate informed data trading. To design a protocol to realize its functionality, we propose leveraging maliciously secure multi-party computation (MPC) to ensure the privacy and robustness of signal computation and introduce an MPC-based hash verification scheme to ensure input reliability. In multi-seller scenarios requiring fair data valuation, we further explore the design and optimization of the MPC-based KNN-Shapley method with improved efficiency. Rigorous experiments demonstrate the efficiency and practicality of our approach.
- Abstract（参考訳）: データの爆発的な成長は、データマーケットプレースを通じて経済成長を促進する上で重要な役割を浮き彫りにした。
効果的な取引を支援するため、シグナリング機構は、参加者に取引前のデータ製品に関する情報を提供し、情報的な決定を可能にし、取引を容易にする。
しかし、データ固有の自由重複性のため、一般的に行われているシグナリング手法は、プライバシと信頼性の間のジレンマに直面し、意思決定を導く上でのシグナルの有効性を損なう。
そこで本稿では,プライバシと信頼性を同時に確保する,望ましいシグナリング機構のための非TCPベースの構築手法を提案する。
まず、望ましい実用的シグナリング機構を正式に定義し、両者の最適下決定を防ぎ、情報交換を容易にする能力を証明することから始める。
本稿では,その機能を実現するためのプロトコルを設計するために,悪意あるセキュアなマルチパーティ計算(MPC)を活用して,信号計算のプライバシとロバスト性を保証し,入力信頼性を確保するためのMPCベースのハッシュ検証手法を提案する。
MPC ベースの KNN-Shapley 法の設計と最適化について検討した。
厳密な実験は、我々のアプローチの効率性と実用性を実証する。
関連論文リスト
- Data Valuation and Selection in a Federated Model Marketplace [28.369108318258753]
本稿では、フェデレートラーニング(FL)に適したワッサーシュタインに基づく推定器を中心にした包括的フレームワークを提案する。
プライバシを確保するために、生データへのアクセスを必要とせず、ワッサースタイン距離を近似する分散手法を提案する。
我々のアプローチは、高いパフォーマンスデータの組み合わせを一貫して特定し、より信頼性の高いFLベースのモデルマーケットプレースへの道を開く。
論文 参考訳（メタデータ） (2025-09-09T06:45:30Z) - Blockchain Powered Edge Intelligence for U-Healthcare in Privacy Critical and Time Sensitive Environment [0.559239450391449]
プライバシクリティカルで時間に敏感な健康アプリケーションのための自律型コンピューティングモデルを提案する。
このシステムは、継続的監視、リアルタイムアラート通知、疾患検出、堅牢なデータ処理と集約をサポートする。
セキュアなアクセススキームは、オフチェーンとオンチェーンのデータ共有とストレージの両方を管理するために定義される。
論文 参考訳（メタデータ） (2025-05-31T06:58:52Z) - Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。
CEPAMは通信効率とプライバシー保護を同時に達成する。
我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
論文 参考訳（メタデータ） (2025-01-21T11:16:05Z) - ZK-DPPS: A Zero-Knowledge Decentralised Data Sharing and Processing Middleware [3.2995127573095484]
従来のZKPを必要としないゼロ知識通信を実現するフレームワークであるZK-DPPSを提案する。
プライバシは、計算のためのFHE(Fully Homomorphic Encryption)と鍵再構成のためのSMPC(Secure Multi-Party Computations)を組み合わせることで保持される。
シミュレーションサプライチェーンシナリオによるZK-DPPSの有効性を実証した。
論文 参考訳（メタデータ） (2024-10-21T01:23:37Z) - Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。
分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。
市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
論文 参考訳（メタデータ） (2024-03-29T14:58:28Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Strategic Coalition for Data Pricing in IoT Data Markets [32.38170282930876]
本稿では、機械学習モデルのトレーニングに使用されるIoT(Internet of Things)データのトレーディング市場について考察する。
データはネットワークを介して市場プラットフォームに供給され、そのようなデータの価格が機械学習モデルにもたらす価値に基づいて制御される。
論文 参考訳（メタデータ） (2022-06-15T19:48:10Z) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳（メタデータ） (2022-05-08T14:38:23Z) - Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。
FLと関連する技術は、しばしばプライバシー保護と表現される。
この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
論文 参考訳（メタデータ） (2021-12-21T08:44:05Z)
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。