Fugu-MT 論文翻訳(概要): Hardening Confidential Federated Compute against Side-channel Attacks

論文の概要: Hardening Confidential Federated Compute against Side-channel Attacks

arxiv url: http://arxiv.org/abs/2603.21469v1
Date: Mon, 23 Mar 2026 01:13:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.432937
Title: Hardening Confidential Federated Compute against Side-channel Attacks
Title（参考訳）: サイドチャネル攻撃に対する信頼度計算の強化
Authors: James Bell-Clark, Albert Cheu, Adria Gascon, Jonathan Katz,
Abstract要約: 当社のFederated Computeプラットフォームでは、仮説的なインサイダーが、差分プライバシー保証を回避するために利用する、一連のサイドチャネルを特定しています。オープンソースライブラリに実装されているサイドチャネルのうちの2つをDPが緩和する方法を示す。
参考スコア（独自算出の注目度）: 13.295813187446896
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we identify a set of side-channels in our Confidential Federated Compute platform that a hypothetical insider could exploit to circumvent differential privacy (DP) guarantees. We show how DP can mitigate two of the side-channels, one of which has been implemented in our open-source library.
Abstract（参考訳）: この研究で我々は、私たちのConfidential Federated Computeプラットフォームにおけるサイドチャネルのセットを特定し、仮説的なインサイダーが差分プライバシー(DP)の保証を回避するのに役立てることができるようにします。オープンソースライブラリに実装されているサイドチャネルのうちの2つをDPが緩和する方法を示す。

関連論文リスト

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy [50.66105844449181]
個々の差別的プライバシ(iDP)は、ユーザが自身のプライバシをコントロールすることを約束するが、この約束は実際には破られる可能性がある。我々は、サンプリングベースのiDPメカニズムにおいて、これまで見過ごされていた脆弱性を明らかにした。我々は、$(varepsilon_i,_i,overline)$-iDPというプライバシー契約を提案します。
論文参考訳（メタデータ） (2026-01-19T10:26:12Z)
From Split to Share: Private Inference with Distributed Feature Sharing [8.103701420776487]
クラウドベースの機械学習・アズ・ア・サービス(ML)は、機密性の高いクライアントデータを扱う際に深刻なプライバシー上の懸念を引き起こす。単一露出表現を分散特徴共有に置き換える,プライベート推論のための新しいパラダイムであるPrivDFSを提案する。 PrivDFSはクライアント上の入力機能を複数のバランスの取れた共有に分割する。
論文参考訳（メタデータ） (2025-08-06T11:41:10Z)
Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文参考訳（メタデータ） (2024-10-25T18:11:02Z)
Convergent Differential Privacy Analysis for General Federated Learning: the $f$-DP Perspective [57.35402286842029]
フェデレートラーニング(Federated Learning, FL)は、ローカルプライバシを重視した効率的な協調トレーニングパラダイムである。ディファレンシャルプライバシ(DP)は、私的保護の信頼性を捕捉し、保証するための古典的なアプローチである。
論文参考訳（メタデータ） (2024-08-28T08:22:21Z)
CPR: Retrieval Augmented Generation for Copyright Protection [101.15323302062562]
本稿では,著作権保護の強いRAGの新しい手法であるRetrieval(CPR)を用いたCopyProtected生成について紹介する。 CPRは、取得した画像のセットに拡散モデルの出力を条件付けることができる。 CPRは、攻撃者が生成した画像から抽出できる可能性のある情報の量を制限するNear Access Freeness (NAF) を満たすことを証明している。
論文参考訳（メタデータ） (2024-03-27T18:09:55Z)
On Differentially Private Federated Linear Contextual Bandits [9.51828574518325]
我々は、差分プライバシーの下で、クロスサイロフェデレーション線形文脈帯域問題(LCB)を考える。現状の3つの課題は, (i) 主張されたプライバシ保護の失敗, (ii) ノイズの計算ミスによる不正確な後悔,である。我々は,信頼されたサーバを使わずに,アルゴリズムがほぼ最適であることを示す。
論文参考訳（メタデータ） (2023-02-27T16:47:49Z)
Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-12-11T15:23:28Z)
Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。