論文の概要: Spatial Discretization for Fine-Grain Zone Checks with STARKs
- arxiv url: http://arxiv.org/abs/2512.24238v1
- Date: Tue, 30 Dec 2025 13:58:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.392406
- Title: Spatial Discretization for Fine-Grain Zone Checks with STARKs
- Title（参考訳）: STARKを用いた細粒ゾーンチェックの空間的離散化
- Authors: Sungmin Lee, Kichang Lee, Gyeongmin Han, JeongGil Ko,
- Abstract要約: ゾーンの符号化方法が異なることが、精度と証明コストにどのように影響するかを示す。
本研究では,各セルのゾーン境界からの距離を記憶し,セル内での推論を行う距離認識符号化手法を提案する。
- 参考スコア（独自算出の注目度）: 1.7476019497926718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many location-based services rely on a point-in-polygon test (PiP), checking whether a point or a trajectory lies inside a geographic zone. Since geometric operations are expensive in zero-knowledge proofs, privately performing the PiP test is challenging. In this paper, we answer the research questions of how different ways of encoding zones affect accuracy and proof cost by exploiting gridbased lookup tables under a fixed STARK execution model. Beyond a Boolean grid-based baseline that marks cells as in- or outside, we explore a distance-aware encoding approach that stores how far each cell is from a zone boundary and uses interpolation to reason within a cell. Our experiments on real-world data demonstrate that the proposed distance-aware approach achieves higher accuracy on coarse grids (max. 60%p accuracy gain) with only a moderate verification overhead (approximately 1.4x), making zone encoding the key lever for efficient zero-knowledge spatial checks.
- Abstract（参考訳）: 多くのロケーションベースのサービスは、ポイント・イン・ポリゴン・テスト(PiP)に依存し、ポイントまたはトラジェクトリが地理的ゾーン内にあるかどうかをチェックする。
幾何演算はゼロ知識証明では高価であるため、プライベートにPiPテストを実行することは困難である。
本稿では,固定STARK実行モデルの下でグリッドベースのルックアップテーブルを活用することにより,ゾーンの符号化方法の違いが精度と検証コストにどのような影響を及ぼすか,という研究課題に答える。
細胞を内部または外部とマークするBooleanグリッドベースのベースラインの他に、各細胞がゾーン境界からどれくらい離れているかを記憶し、補間を用いて細胞内を推論する、距離認識符号化アプローチを探索する。
実世界のデータを用いた実験により,提案手法は粗い格子の精度(最大60%の精度向上)を適度な検証オーバーヘッド(約1.4倍)で達成し,鍵レバーを符号化し,効率的なゼロ知識空間チェックを実現する。
関連論文リスト
- Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。
本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。
初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
論文 参考訳（メタデータ） (2023-10-20T01:44:49Z) - KeyPosS: Plug-and-Play Facial Landmark Detection through GPS-Inspired
True-Range Multilateration [28.96448680048584]
KeyPoint Positioning System (KeyPosS) は、関心点と完全な畳み込みネットワークによって予測されるアンカー点の距離を三角にして正確なランドマーク座標を導出する最初のフレームワークである。
4つのデータセットの実験では、計算オーバーヘッドが最小限であるにもかかわらず、KeyPosSは、解像度の低い設定で既存のメソッドを上回り、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-05-25T19:30:21Z) - Simple Calibration via Geodesic Kernels [9.999034479498889]
決定の森やディープニューラルネットワークのような深い差別的アプローチは、最近、多くの重要な現実世界のシナリオで応用を見出した。
しかし、これらの学習アルゴリズムを安全クリティカルなアプリケーションにデプロイすることは、特に分布内領域と分布外領域の両方のキャリブレーションを確保することに懸念を生じさせる。
論文 参考訳（メタデータ） (2022-01-31T05:07:16Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Key Points Estimation and Point Instance Segmentation Approach for Lane
Detection [65.37887088194022]
本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。
PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。
PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
論文 参考訳（メタデータ） (2020-02-16T15:51:30Z)
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。