論文の概要: TAPAS: Efficient Two-Server Asymmetric Private Aggregation Beyond Prio(+)

• arxiv url: http://arxiv.org/abs/2603.19949v1
• Date: Fri, 20 Mar 2026 13:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.156563
• Title: TAPAS: Efficient Two-Server Asymmetric Private Aggregation Beyond Prio(+)
• Title（参考訳）: TAPAS: Prio(+)を超える効率的な2サーバ非対称プライベートアグリゲーション
• Authors: Harish Karthikeyan, Antigoni Polychroniadou,
• Abstract要約: 2サーバ非対称なプライベートアグリゲーション方式であるTAPASを提案する。 1つのサーバは$O(L)$アグリゲーションと検証作業を持ち、もう1つは軽量ファシリテータとして動作する。 私たちは、二サーバ設定で識別可能な中止で、プライバシと正当性を最初に確立しました。
• 参考スコア（独自算出の注目度）: 7.713377215066152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-preserving aggregation is a cornerstone for AI systems that learn from distributed data without exposing individual records, especially in federated learning and telemetry. Existing two-server protocols (e.g., Prio and successors) set a practical baseline by validating inputs while preventing any single party from learning users' values, but they impose symmetric costs on both servers and communication that scales with the per-client input dimension $L$. Modern learning tasks routinely involve dimensionalities $L$ in the tens to hundreds of millions of model parameters. We present TAPAS, a two-server asymmetric private aggregation scheme that addresses these limitations along four dimensions: (i) no trusted setup or preprocessing, (ii) server-side communication that is independent of $L$ (iii) post-quantum security based solely on standard lattice assumptions (LWE, SIS), and (iv) stronger robustness with identifiable abort and full malicious security for the servers. A key design choice is intentional asymmetry: one server bears the $O(L)$ aggregation and verification work, while the other operates as a lightweight facilitator with computation independent of $L$. This reduces total cost, enables the secondary server to run on commodity hardware, and strengthens the non-collusion assumption of the servers. One of our main contributions is a suite of new and efficient lattice-based zero-knowledge proofs; to our knowledge, we are the first to establish privacy and correctness with identifiable abort in the two-server setting.
• Abstract（参考訳）: プライバシ保護アグリゲーションは、分散データから学習するAIシステムにとって、特にフェデレーション付き学習とテレメトリにおいて、個々のレコードを公開せずに基盤となる。 既存の2サーバプロトコル(例えば、Prioと後継)は、入力を検証し、単一のパーティがユーザの値を学ぶのを妨げながら、実際のベースラインを設定するが、サーバとクライアントごとの入力次元を$L$でスケールする通信の両方に対称的なコストを課す。 現代の学習タスクは、数億から数億のモデルパラメータの次元$L$を常用する。 TAPASは2サーバ非対称なプライベートアグリゲーションスキームで、4次元に沿ってこれらの制限に対処する。 (i)信頼された設定や前処理は行わない。 (ii)$L$に依存しないサーバ側通信 三 標準格子仮定(LWE、SIS)のみに基づく後セキュリティ (iv) 識別可能な中止とサーバの完全な悪意のあるセキュリティを備えた強力な堅牢性。 1つのサーバは$O(L)$アグリゲーションと検証作業を持ち、もう1つは$L$とは独立に計算を行う軽量ファシリテータとして動作する。 これにより、総コストを削減し、セカンダリサーバをコモディティハードウェア上で動作させ、サーバの非衝突仮定を強化する。 当社の主なコントリビューションのひとつは,新しい,効率的な格子ベースのゼロ知識証明のスイートです。

関連論文リスト

• Robust Client-Server Watermarking for Split Federated Learning [14.772619626732892]
  Split Federated Learning (SFL)は、プライバシー保護の性質と計算オーバーヘッドの低さで有名である。 本稿では,SFL用クライアントサーバ透かし埋め込みを用いたロバストモデル知的財産保護スキームRISEを提案する。
  論文  参考訳（メタデータ） (2025-11-17T16:58:33Z)
• Armadillo: Robust Single-Server Secure Aggregation for Federated Learning with Input Validation [12.332129175789072]
  Armadilloは、単一の強力なサーバが多くの弱いクライアントと反復的に対話し、クライアントのプライベートデータ上でモデルをトレーニングするフェデレートされた学習設定のために設計されている。 本稿では,悪意あるクライアントの連帯が,事前定義された正当範囲のプライベート入力を誤って報告することによってのみ,アグリゲーション結果に影響を及ぼすような,敵対的クライアントに対する破壊的な抵抗を有するセキュアアグリゲーションシステムを提案する。
  論文  参考訳（メタデータ） (2025-11-14T00:16:53Z)
• FLAME: Flexible and Lightweight Biometric Authentication Scheme in Malicious Environments [28.701804496120406]
  バイオメトリックアンダーライン認証スキームはUnderlineMaliciousアンダーライン環境のために設計されている。 厳密な理論的分析は$sysname$の正確性、セキュリティ、効率性を検証する。
  論文  参考訳（メタデータ） (2025-11-04T01:43:03Z)
• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• Optimizing Server-side Aggregation For Robust Federated Learning via Subspace Training [80.03567604524268]
  クライアント間の非IIDデータ分散と中毒攻撃は、現実世界のフェデレーション学習システムにおける2つの大きな課題である。 サーバ側集約プロセスを最適化する汎用的なアプローチであるSmartFLを提案する。 本稿では,SmartFLの収束と一般化能力に関する理論的解析を行う。
  論文  参考訳（メタデータ） (2022-11-10T13:20:56Z)
• FLVoogd: Robust And Privacy Preserving Federated Learning [12.568409209047505]
  プライバシを保護しながら,サーバとクライアントが共同でビザンチン攻撃を除去する,新たなフェデレート学習手法であるoogdを提案する。 サーバは、S2PCと組み合わされたDBSCAN(Spatial Clustering of Applications)の自動密度ベースの空間クラスタリングを使用して、機密性の高い個人情報を取得せずに、良質な多数派をクラスタリングする。 私たちのフレームワークは自動で適応的なので、サーバ/クライアントはトレーニング中にパラメータをチューニングする必要がありません。
  論文  参考訳（メタデータ） (2022-06-24T08:48:15Z)
• The Fundamental Price of Secure Aggregation in Differentially Private Federated Learning [34.630300910399036]
  我々は、$varepsilon$ Central DPの下で最高の精度を得るために必要な基本的な通信コストを特徴付ける。 我々の結果は、$tildeOleft( min(n2varepsilon2, d) right)$ bits per client が十分かつ必要であることを示している。 これにより、最先端のSecAgg分散DPスキームに対して大幅に改善される。
  論文  参考訳（メタデータ） (2022-03-07T22:56:09Z)
• SwiftAgg: Communication-Efficient and Dropout-Resistant Secure Aggregation for Federated Learning with Worst-Case Security Guarantees [83.94234859890402]
  我々は,フェデレート学習システムのための新しいセキュアアグリゲーションプロトコルSwiftAggを提案する。 中央サーバは、ローカルデータに基づいてトレーニングされた、$N$の分散ユーザのローカルモデルを集約する。 SwiftAggは、セキュリティ上の妥協なしに、通信オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2022-02-08T22:08:56Z)
• More is Merrier: Relax the Non-Collusion Assumption in Multi-Server PIR [61.13962963550403]
  セキュアな計算に関する長い研究により、計算可能なものは何でも、非解決パーティの集合を使って安全に計算できることが確認された。 しかし、コンピュータ関係者の間では、隠蔽され、検出不能な共謀に非常に敏感である。 この研究は、セキュアな計算タスクを実行するために必要となるパーティの数よりも、利用可能な計算パーティの数がはるかに多い場合、プライバシを保存する計算における共謀の試みを抑えることができるという観察に起因している。
  論文  参考訳（メタデータ） (2022-01-19T17:29:39Z)

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。