論文の概要: Plausible Deniability in Fully Homomorphic Computation

• arxiv url: http://arxiv.org/abs/2605.01985v1
• Date: Sun, 03 May 2026 17:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.030858
• Title: Plausible Deniability in Fully Homomorphic Computation
• Title（参考訳）: 完全同型計算における可塑性密度
• Authors: Shahzad Ahmad, Stefan Rass, Zahra Seyedi,
• Abstract要約: 信頼性のないクラウドにブール計算をアウトソース可能なフレームワークである,完全同型計算(PD-FHC)において,emphPlausible Deniabilityを導入する。 PD-FHCは、誠実だが正確であるプロバイダに対する計算プライバシーと、強制的な敵に対するもっともらしい識別性の両方を維持している。 回路サイズ(5-289ゲート)と画像次元(1282ドルから5122ドル)でベンチマークしたPython実装は、TFHEとの競合性能を示している。
• 参考スコア（独自算出の注目度）: 1.7062009989943252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce \emph{Plausible Deniability in Fully Homomorphic Computation} (PD-FHC), a framework enabling users to outsource Boolean computations to an untrusted cloud while maintaining both computational privacy against honest-but-curious providers and plausible deniability against coercive adversaries. We define the notion of a \emph{Deniable Computation Medium} (DCM) and a \emph{Deniable Computation Scheme} (DCS) as medium-independent abstractions, then instantiate them using RGB images with Fredkin-gate circuits. Multiple computation scenarios (one real, several decoys) are embedded at secret positions within cover images; the cloud applies identical operations to every pixel, processing all scenarios uniformly. Under coercion, the user reveals a decoy computation with verifiable results while the real computation remains hidden. We formalize multi-round coercion games with existence and intent distinguishing advantages, proving computational privacy with advantage $Θ(1/(n-1)!)$ and negligible existence-hiding advantage for the image instantiation. Our Python implementation, benchmarked across circuit sizes (5--289 gates) and image dimensions ($128^2$ to $512^2$), demonstrates competitive performance with TFHE for Boolean circuits while providing deniability that FHE fundamentally cannot offer.
• Abstract（参考訳）: 我々は,非信頼のクラウドにブール計算をアウトソースできるフレームワークである 'emph{Plausible Deniability in Fully Homomorphic Computation} (PD-FHC) を紹介した。 我々は,デニブル計算媒体 (DCM) とデニブル計算スキーム (DCS) の概念をメディア非依存の抽象化として定義し,Fredkin-gate 回路を用いた RGB 画像を用いてそれらをインスタンス化する。 複数の計算シナリオ(1つの実数デコイ)は、カバーイメージ内の秘密の位置に埋め込まれ、クラウドは各ピクセルに同じ操作を適用し、すべてのシナリオを均一に処理する。 強制下では、ユーザは、実際の計算が隠されている間、検証結果のデコイ計算を明らかにする。 我々は,複数ラウンドの囲い込みゲームの存在と,利点を区別した意図を定式化し,その利点を1/(n-1)で証明する。 )画像のインスタンス化の利点と無視できない存在を隠蔽する利点。 回路サイズ(5～289ゲート)と画像次元(128^2$〜512^2$)でベンチマークしたPython実装では,Boolean回路のTFHEと競合する性能を示しながら,FHEが基本的に提供できないデニビリティを実現している。

関連論文リスト

• DynamicGate MLP Conditional Computation via Learned Structural Dropout and Input Dependent Gating for Functional Plasticity [0.0]
  ドロップアウト(Dropout)は、トレーニング中に隠れたユニットを非活性化してオーバーフィッティングを緩和する代表的な正規化技術である。 標準推論は、高密度な計算で全ネットワークを実行するため、その目標とメカニズムは条件付き計算とは異なる。 本稿では,DynamicGate-MLPを正規化ビューと条件計算ビューの両方を同時に満足する単一のフレームワークに編成する。
  論文  参考訳（メタデータ） (2026-03-17T10:54:16Z)
• CODA: Repurposing Continuous VAEs for Discrete Tokenization [31.932323809073477]
  textbfCODA(textbfCOntinuous-to-textbfDiscrete textbfAdaptation)は、圧縮と離散化を分離するフレームワークである。 提案手法は,ImageNet 256$times$256ベンチマークにおいて,$mathbf0.43$と$mathbf1.34$を8倍,$16倍の圧縮で,100%のコードブック利用と注目すべき再構成FID(rFID)を実現している。
  論文  参考訳（メタデータ） (2025-03-22T12:59:00Z)
• Secure numerical simulations using fully homomorphic encryption [0.8739101659113153]
  本研究では、FHEに基づく偏微分方程式のプライバシー保護数値シミュレーションの実現可能性について検討する。 2つのJuliaパッケージ、OpenFHE$.$jlとSecureArithmetic$.$jlが導入され、OpenFHE C++ライブラリをラップする。 その結果、暗号学的に安全な数値シミュレーションが可能であることが示されているが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  論文  参考訳（メタデータ） (2024-10-29T07:47:10Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Secure Deep Learning-based Distributed Intelligence on Pocket-sized Drones [75.80952211739185]
  パームサイズのナノドロンはエッジノードの魅力的なクラスであるが、その限られた計算資源は大規模なディープラーニングモデルの実行を妨げている。 エッジフォッグ計算のパラダイムを採用することで、計算の一部をフォグにオフロードすることができるが、フォグノードや通信リンクが信頼できない場合、セキュリティ上の懸念が生じる。 ナノドローン上でランダムなサブネットワークを冗長に実行することにより,霧の計算を検証する分散エッジフォッグ実行方式を提案する。
  論文  参考訳（メタデータ） (2023-07-04T08:29:41Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
  ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。 我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
  論文  参考訳（メタデータ） (2023-03-15T15:00:20Z)
• Robust Perception through Equivariance [28.43219868475906]
  本稿では,自然画像の内在的制約を強固にするためのフレームワークを提案する。 推論時に制約を導入することで、堅牢性の負担をトレーニングから推論アルゴリズムに移行することができる。
  論文  参考訳（メタデータ） (2022-12-12T17:52:46Z)
• Scalable Differentially Private Clustering via Hierarchically Separated Trees [82.69664595378869]
  我々は,最大$O(d3/2log n)cdot OPT + O(k d2 log2 n / epsilon2)$,$epsilon$はプライバシ保証であることを示す。 最悪の場合の保証は、最先端のプライベートクラスタリング手法よりも悪いが、提案するアルゴリズムは実用的である。
  論文  参考訳（メタデータ） (2022-06-17T09:24:41Z)

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。