論文の概要: Multimodal Privacy-Preserving Entity Resolution with Fully Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2601.18612v1
- Date: Mon, 26 Jan 2026 15:53:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.910853
- Title: Multimodal Privacy-Preserving Entity Resolution with Fully Homomorphic Encryption
- Title（参考訳）: 完全同型暗号を用いたマルチモーダルプライバシ保存エンティティ分解能
- Authors: Susim Roy, Nalini Ratha,
- Abstract要約: 政府や金融機関に代表される輝かしいデータセットで運用する新しい枠組みを導入する。
提案手法は,データボリューム,整合性,プライバシといった三部構成の課題に対処するために設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The canonical challenge of entity resolution within high-compliance sectors, where secure identity reconciliation is frequently confounded by significant data heterogeneity, including syntactic variations in personal identifiers, is a longstanding and complex problem. To this end, we introduce a novel multimodal framework operating with the voluminous data sets typical of government and financial institutions. Specifically, our methodology is designed to address the tripartite challenge of data volume, matching fidelity, and privacy. Consequently, the underlying plaintext of personally identifiable information remains computationally inaccessible throughout the matching lifecycle, empowering institutions to rigorously satisfy stringent regulatory mandates with cryptographic assurances of client confidentiality while achieving a demonstrably low equal error rate and maintaining computational tractability at scale.
- Abstract（参考訳）: 高コンプライアンス分野におけるエンティティ解決の標準的な課題は、個人識別子の統語的バリエーションを含む重要なデータ不均一性によって、セキュアなID和解が頻繁に構築されるという、長く続く複雑な問題である。
この目的のために、政府や金融機関に典型的な輝かしいデータセットで機能する新しいマルチモーダル・フレームワークを導入する。
具体的には、データボリューム、整合性、プライバシという三部構成の課題に対処するように設計されている。
その結果、個人識別可能な情報の基盤となる平文は、マッチングライフサイクルを通じて計算不能であり、暗黙の低いエラー率を達成し、大規模に計算のトラクタビリティを維持しながら、クライアントの機密性の暗号的保証による厳密な規制規定を厳格に満たすことができる。
関連論文リスト
- Subgraph Federated Learning via Spectral Methods [52.40322201034717]
FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。
我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
論文 参考訳（メタデータ） (2025-10-29T16:22:32Z) - SynBench: A Benchmark for Differentially Private Text Generation [35.908455649647784]
医療や金融といった高度な分野におけるデータ駆動型意思決定のサポートは、データ共有にとって大きな障壁に直面している。
大規模言語モデルのような最近の生成AIモデルは、オープンドメインタスクにおいて印象的なパフォーマンスを示している。
しかし、彼らのセンシティブな環境への導入は、予測不可能な振る舞いと、プライバシー保護の不十分なデータセットによって制限されている。
論文 参考訳（メタデータ） (2025-09-18T03:57:50Z) - PrivacyGo: Privacy-Preserving Ad Measurement with Multidimensional Intersection [20.83651553126354]
本稿では,プライバシ保護広告計測のためのユーザプロファイルマッチングの多元化の問題に対処する。
本稿では,Oblivious Pseudorom Function (OPRF) と新しいブラインド鍵回転技術を活用した包括的暗号フレームワークを提案する。
我々の設計では、クロスアイデンティティーリンクが防止され、交差点サイズを難読化するための微分プライベートなメカニズムが組み込まれている。
論文 参考訳（メタデータ） (2025-06-26T03:54:19Z) - Differential Confounding Privacy and Inverse Composition [32.85314813605347]
本稿では,Pufferfishプライバシーフレームワークの特殊な形式であるtextitdifferential confounding Privacy (DCP)を紹介する。
DCP機構は, 構成上のプライバシー保証を保っているが, DPの優雅な構成特性は欠如していることが示されている。
我々は、リーダ・フォロワーモデルがターゲット保証を達成するためのプライバシ戦略を最適に設計する、textitInverse Composition (IC)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-21T21:45:13Z) - Fin-Fed-OD: Federated Outlier Detection on Financial Tabular Data [11.027356898413139]
実世界のシナリオにおける異常検出は、動的でしばしば未知の異常分布による課題を引き起こす。
本稿では、データの機密性を損なうことなく、個々の組織における異常検出を強化するという課題に対処する。
本稿では,表現学習とフェデレーション学習技術を利用して未知の異常の検出を改善する手法を提案する。
論文 参考訳（メタデータ） (2024-04-23T11:22:04Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - A Summary of Privacy-Preserving Data Publishing in the Local Setting [0.6749750044497732]
統計開示制御は、機密情報を匿名化して暴露するリスクを最小限にすることを目的としている。
マイクロデータの復号化に使用される現在のプライバシ保存技術について概説し、様々な開示シナリオに適したプライバシ対策を掘り下げ、情報損失と予測性能の指標を評価する。
論文 参考訳（メタデータ） (2023-12-19T04:23:23Z) - 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) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-11-07T10:02:55Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z)
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。