論文の概要: Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution

• arxiv url: http://arxiv.org/abs/2601.00418v1
• Date: Thu, 01 Jan 2026 18:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.435173
• Title: Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution
• Title（参考訳）: 合意に基づくプライバシ保護データ分散によるセキュアで検証可能なスケーラブルなマルチクライアントデータ共有
• Authors: Prajwal Panth, Sahaj Raj Malla,
• Abstract要約: CPPDDはセキュアなマルチクライアントデータアグリゲーションのための自律プロトコルである。 二重層保護機構を通じて全リリース機密を強制する。 100%悪意のある偏差検出、正確なデータリカバリ、3～4桁のFLOPをMPCやHEのベースラインと比較できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the Consensus-Based Privacy-Preserving Data Distribution (CPPDD) framework, a lightweight and post-setup autonomous protocol for secure multi-client data aggregation. The framework enforces unanimous-release confidentiality through a dual-layer protection mechanism that combines per-client affine masking with priority-driven sequential consensus locking. Decentralized integrity is verified via step (sigma_S) and data (sigma_D) checksums, facilitating autonomous malicious deviation detection and atomic abort without requiring persistent coordination. The design supports scalar, vector, and matrix payloads with O(N*D) computation and communication complexity, optional edge-server offloading, and resistance to collusion under N-1 corruptions. Formal analysis proves correctness, Consensus-Dependent Integrity and Fairness (CDIF) with overwhelming-probability abort on deviation, and IND-CPA security assuming a pseudorandom function family. Empirical evaluations on MNIST-derived vectors demonstrate linear scalability up to N = 500 with sub-millisecond per-client computation times. The framework achieves 100% malicious deviation detection, exact data recovery, and three-to-four orders of magnitude lower FLOPs compared to MPC and HE baselines. CPPDD enables atomic collaboration in secure voting, consortium federated learning, blockchain escrows, and geo-information capacity building, addressing critical gaps in scalability, trust minimization, and verifiable multi-party computation for regulated and resource-constrained environments.
• Abstract（参考訳）: 本稿では,マルチクライアントデータアグリゲーションをセキュアにするための,軽量かつポストセットアップの自律プロトコルであるConsensus-Based Privacy-Preserving Data Distribution (CPPDD)フレームワークを提案する。 このフレームワークは、クライアントごとのアフィンマスキングと優先度駆動のシーケンシャルコンセンサスロックを組み合わせた二重層保護機構を通じて、全リリースの機密性を強制する。 分散整合性は、ステップ(sigma_S)とデータ(sigma_D)チェックサムを介して検証され、永続的な調整を必要とせずに、自律的な悪意のある偏差検出とアトミック中断を容易にする。 この設計は、O(N*D)計算と通信の複雑さ、オプションのエッジサーバオフロード、N-1の破損による衝突に対する耐性を備えたスカラー、ベクトル、行列ペイロードをサポートする。 形式解析は正当性を証明し,CDIF(Consensus-Dependent Integrity and Fairness)は逸脱を回避し,IND-CPAセキュリティは擬似ランダム関数ファミリーを仮定する。 MNIST由来のベクトルに関する経験的評価は、N = 500まで線形スケーラビリティを示し、クライアント毎の計算時間はミリ秒以下である。 このフレームワークは、100%悪意のある偏差検出、正確なデータリカバリ、および3～4桁のFLOPをMPCやHEのベースラインと比較する。 CPPDDは、セキュアな投票、コンソーシアムフェデレーション、ブロックチェーンエスクロー、ジオ情報キャパシティ構築におけるアトミックなコラボレーション、スケーラビリティの重大なギャップへの対処、信頼の最小化、規制されたリソース制約のある環境に対する検証可能な複数パーティの計算を可能にする。

関連論文リスト

• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• 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)
• Federated PCA and Estimation for Spiked Covariance Matrices: Optimal Rates and Efficient Algorithm [19.673557166734977]
  フェデレートラーニング(FL)は、プライバシとデータセキュリティの強化により、機械学習において、近年大きな注目を集めている。 本稿では,分散差分プライバシー制約下でのフェデレーションPCAとスパイク共分散行列の推定について検討する。 我々は、集中サーバの最適レートがローカルクライアントのミニマックスレートの調和平均であることから、収束のミニマックスレートを確立する。
  論文  参考訳（メタデータ） (2024-11-23T21:57:50Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Enabling Privacy-preserving Model Evaluation in Federated Learning via Fully Homomorphic Encryption [1.9662978733004604]
  センシティブなデータを集中化せずにモデルを協調的にトレーニングする能力によって、フェデレートラーニングが急速に普及している。 評価フェーズでは、文献で適切に対処されていない重要なプライバシーリスクが提示される。 完全同型暗号を利用した新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T14:36:55Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• 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)

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。