論文の概要: Compositional security definitions for higher-order where declassification

• arxiv url: http://arxiv.org/abs/2604.18300v1
• Date: Mon, 20 Apr 2026 14:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.922929
• Title: Compositional security definitions for higher-order where declassification
• Title（参考訳）: 階数決定のための構成的セキュリティ定義
• Authors: Jan Menz, Andrew K. Hirsch, Peixuan Li, Deepak Garg,
• Abstract要約: 再分類のためのセキュリティ定義は存在するが、多くの場合、上位のプログラムを扱わない。 論理的関係を利用して、非分類の場所のモデルを構築します。 得られたセキュリティ定義が、最も関連する以前の定義よりもセキュリティを提供することを示す。
• 参考スコア（独自算出の注目度）: 6.230408165559568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To ensure programs do not leak private data, we often want to be able to provide formal guarantees ensuring such data is handled correctly. Often, we cannot keep such data secret entirely; instead programmers specify how private data may be declassified. While security definitions for declassification exist, they mostly do not handle higher-order programs. In fact, in the higher-order setting no compositional security definition exists for intensional information-flow properties such as where declassification, which allows declassification in specific parts of a program. We use logical relations to build a model (and thus security definition) of where declassification. The key insight required for our model is that we must stop enforcing indistinguishability once a \emph{relevant declassification} has occurred. We show that the resulting security definition provides more security than the most related previous definition, which is for the lower-order setting. This paper is an extended version of the paper of the same name published at OOPSLA 2023 ([21]).
• Abstract（参考訳）: プログラムがプライベートデータをリークしないようにするためには、そのようなデータが正しく処理されるように、正式な保証を提供したいと思っています。 多くの場合、そのようなデータを完全に秘密にしておくことはできない。 再分類のためのセキュリティ定義は存在するが、多くの場合、上位のプログラムを扱わない。 実際、高階設定では、プログラムの特定の部分における非分類を可能にする非分類の場所のような、インテンショナルな情報フロー特性に対して、構成上のセキュリティ定義は存在しない。 私たちは論理的関係を使って、非分類の場所のモデル(そしてセキュリティ定義)を構築します。 モデルに必要とされる重要な洞察は、'emph{relevant declassification} が発生したとき、区別不能を強制するのをやめなければならないということである。 得られたセキュリティ定義は、最も関連性の高い以前の定義よりもセキュリティを提供する。 本論文はOOPSLA 2023([21])で発表された同名の論文の拡張版である。

関連論文リスト

• DP-DocLDM: Differentially Private Document Image Generation using Latent Diffusion Models [5.247930659596986]
  本研究の目的は,文書画像分類の文脈における課題に対して,実際のプライベートデータを合成データに置き換えることである。 特に,条件付き潜在拡散モデル(LDM)と差分プライバシー(DP)を組み合わせて,クラス固有の合成文書画像を生成することを提案する。 提案手法は,小規模データセットの下流評価において,大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-08-06T08:43:08Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• From What to How: A Taxonomy of Formalized Security Properties [0.13124513975412253]
  本稿では,自己適応型文脈で使用可能なセキュリティ特性のSDLC分類法を提案する。 Event-B形式言語を使用して、結果の分類の正しさを検証し、確認します。
  論文  参考訳（メタデータ） (2025-05-20T15:42:08Z)
• Certification for Differentially Private Prediction in Gradient-Based Training [36.686002369773014]
  非私的モデルの出力にノイズを加えることによって、差分プライバシーが達成されるプライベート予測について検討する。 既存の方法は、モデルのグローバルな感度に比例したノイズに依存しており、多くの場合、プライベートトレーニングと比較して、準最適プライバシーユーティリティトレードオフをもたらす。 本稿では,凸緩和法と有界伝播法を利用して,データセット固有の上限値の予測感度を計算するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T10:47:00Z)
• Graded Modal Types for Integrity and Confidentiality [0.25782420501870285]
  グレード型システムでは、アノテート型を付加情報で追跡することで、プログラムの異なる特性を追跡できる。 例えば、インフォメーションフロー制御では、型はセキュリティレベルの格子によってグレードされ、非干渉特性が自動的に検証され、強制される。 信頼された出力が信頼できない入力に依存してはならないことを示すプロパティであるIntegrationityは、この文脈では検討されていない。 状況は、線形一意性と型の両方をグレードフレームワークに組み込むという最近の作業と類似しており、このフレーミングを使用して、相互に整合性と機密性の両方を強制できることを示しています。
  論文  参考訳（メタデータ） (2023-09-08T13:40:52Z)
• Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
  類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。 クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
  論文  参考訳（メタデータ） (2023-06-15T17:59:02Z)
• On Differentially Private Online Predictions [74.01773626153098]
  オンラインプロセスを扱うために,共同微分プライバシーのインタラクティブなバリエーションを導入する。 グループプライバシ、コンポジション、ポストプロセッシングの(適切なバリエーション)を満たすことを実証する。 次に、オンライン分類の基本設定において、インタラクティブな共同プライバシーのコストについて検討する。
  論文  参考訳（メタデータ） (2023-02-27T19:18:01Z)
• Federated Boosted Decision Trees with Differential Privacy [24.66980518231163]
  本稿では,従来の決定木に対するアプローチをキャプチャし,拡張する汎用フレームワークを提案する。 高いレベルのプライバシを維持しながら、極めて高いユーティリティを実現することが可能であることを、慎重に選択することで示しています。
  論文  参考訳（メタデータ） (2022-10-06T13:28:29Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)

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。