論文の概要: DDH-based schemes for multi-party Function Secret Sharing

• arxiv url: http://arxiv.org/abs/2603.17453v1
• Date: Wed, 18 Mar 2026 07:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.574456
• Title: DDH-based schemes for multi-party Function Secret Sharing
• Title（参考訳）: 多人数関数シークレット共有のためのDDHに基づくスキーム
• Authors: Marc Damie, Florian Hahn, Andreas Peter, Jan Ramon,
• Abstract要約: 既存のマルチパーティ方式のキーサイズを削減するDDHに基づく手法を提案する。 私たちのベンチマークでは、最先端のスキームよりも10倍程度のキーサイズが強調されています。
• 参考スコア（独自算出の注目度）: 3.0966075492209715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Function Secret Sharing (FSS) schemes enable sharing efficiently secret functions. Schemes dedicated to point functions, referred to as Distributed Point Functions (DPFs), are the center of FSS literature thanks to their numerous applications including private information retrieval, anonymous communications, and machine learning. While two-party DPFs benefit from schemes with logarithmic key sizes, multi-party DPFs have seen limited advancements: $O(\sqrt{N})$ key sizes (with $N$, the function domain size) and/or exponential factors in the key size. We propose a DDH-based technique reducing the key size of existing multi-party schemes. In particular, we build an honest-majority DPF with $O(\sqrt[3]{N})$ key size. Our benchmark highlights key sizes up to $10\times$ smaller (on realistic problem sizes) than state-of-the-art schemes. Finally, we extend our technique to schemes supporting comparison functions.
• Abstract（参考訳）: 関数シークレット共有(FSS)スキームは、効率的な秘密関数の共有を可能にする。 分散ポイント関数(DPF)と呼ばれるポイント関数専用のスキームは、プライベート情報検索、匿名通信、機械学習など多くの応用により、FSS文学の中心となっている。 2つのパーティ DPF は対数的なキーサイズを持つスキームの恩恵を受けるが、マルチパーティ DPF は限定的な進歩を見せている:$O(\sqrt{N})$キーサイズ(N$、関数ドメインサイズ)および/またはキーサイズの指数係数。 既存のマルチパーティ方式のキーサイズを削減するDDHに基づく手法を提案する。 特に、$O(\sqrt[3]{N})$ key size の真正な DPF を構築する。 私たちのベンチマークでは、最先端のスキームよりも10\times$のキーサイズ(現実的な問題サイズ)が強調されています。 最後に,提案手法を比較関数をサポートするスキームに拡張する。

関連論文リスト

• Fuzzy Private Set Union via Oblivious Key Homomorphic Encryption Retrieval [0.30586855806896035]
  プライベート・セット・ユニオン(英: Private Set Union、PSU)は、当事者がプライベート・セット間の交差点を計算できるようにするプロトコルである。 本稿では,ファジィPSUプロトコル(FPSU)について述べる。
  論文  参考訳（メタデータ） (2026-01-28T09:05:35Z)
• Redundancy-Driven Top-$k$ Functional Dependency Discovery [5.126404609788543]
  関数依存(FD)は関係データベースの基本的制約であり、多くのデータ管理タスクに使用される。 ほとんどのFD発見アルゴリズムは、すべての有効な依存関係を見つけるが、2つの問題を引き起こす。 SDP(Selective-Discovery-and-Prune)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T07:16:01Z)
• DP-CSGP: Differentially Private Stochastic Gradient Push with Compressed Communication [71.60998478544028]
  本稿では,分散学習グラフのための圧縮通信(termedfrac-CSGP)を用いた差分的プライベート・グラディエント・プッシュを提案する。 一般の非数学的かつ滑らかな目的関数に対して,本アルゴリズムは高精度かつ効率的な通信を実現するために設計されていることを示す。
  論文  参考訳（メタデータ） (2025-12-15T17:37:02Z)
• Eliminating Exponential Key Growth in PRG-Based Distributed Point Functions [3.0966075492209715]
  PRGベースのマルチパーティDPFは、パーティ数やフィールドサイズと指数関数的に増加するキーサイズのため、実用性に苦慮している。 我々の研究は、ボイルらによるPRGベースの多人数DPF方式を最適化することで、このボトルネックに対処する。 提案手法は,実用的な鍵サイズを持つ初のPRGベースのマルチパーティDPF方式であり,最もよく知られているマルチパーティDPFよりも最大3倍小さい鍵を提供する。
  論文  参考訳（メタデータ） (2025-09-26T07:57:24Z)
• Recurrent Feature Mining and Keypoint Mixup Padding for Category-Agnostic Pose Estimation [33.204232825380394]
  カテゴリーに依存しないポーズ推定は、任意の新規クラスに対するいくつかの注釈付きサポート画像に従って、クエリ画像上のキーポイントを見つけることを目的としている。 本稿では,FGSAの機能をサポートとクエリの両方から再検討する,新しい簡潔なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-27T04:09:13Z)
• Private Fine-tuning of Large Language Models with Zeroth-order Optimization [51.19403058739522]
  差分的プライベート勾配降下(DP-SGD)により、モデルはプライバシ保護の方法でトレーニングできる。 DP-ZO(DP-ZO)は,ゼロオーダー最適化手法を民営化することで,大規模言語モデルのためのプライベートな微調整フレームワークである。
  論文  参考訳（メタデータ） (2024-01-09T03:53:59Z)
• PartialFormer: Modeling Part Instead of Whole for Machine Translation [40.67489864907433]
  より小さなFFNを利用するパラメータ効率のよいトランスフォーマーアーキテクチャであるPartialFormerを紹介する。 これらの小さなFFNは、効果的なコラボレーションのためのマルチヘッドアテンションメカニズムに統合される。 9つの翻訳タスクと1つの抽象的な要約タスクの実験により、PartialFormerアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2023-10-23T13:25:54Z)
• Efficient Human Pose Estimation by Learning Deeply Aggregated Representations [67.24496300046255]
  深く集約された表現を学習することで、効率的な人間ポーズ推定ネットワーク(DANet)を提案する。 私たちのネットワークは、より小さなモデルの複雑さで、同等またはより良い精度を達成できます。
  論文  参考訳（メタデータ） (2020-12-13T10:58:07Z)
• Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning [73.75457731689858]
  本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。 大規模データセットを用いた実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-13T06:01:46Z)
• LSF-Join: Locality Sensitive Filtering for Distributed All-Pairs Set Similarity Under Skew [58.21885402826496]
  全ペアセットの類似性は、大規模で高次元のデータセットであっても広く使われているデータマイニングタスクである。 我々は,全対集合の類似性を近似するために,新しい分散アルゴリズム LSF-Join を提案する。 LSF-Joinは、小さな類似度閾値やスキュー入力セットであっても、最も近いペアを効率的に見つける。
  論文  参考訳（メタデータ） (2020-03-06T00:06:20Z)

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。