論文の概要: Unlocking Apple's Private Cloud Compute: An Analysis of Privacy-Preserving Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2605.24239v1
• Date: Fri, 22 May 2026 21:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.76934
• Title: Unlocking Apple's Private Cloud Compute: An Analysis of Privacy-Preserving Artificial Intelligence
• Title（参考訳）: Appleのプライベートクラウドコンピューティングをアンロックする:プライバシ保護人工知能の分析
• Authors: Yannik Dittmar, Marvin Jerome Stephan, Thomas Völkl, Matthias Hollick, Jiska Classen,
• Abstract要約: AppleのPrivate Cloud Compute(PCC)は、モバイルデバイスの統合とプライバシ優先の設計を強調して、プライバシの問題に対処することを目的としている。 PCCシステム仕様の大部分は公開されているが、コンパイルされたバイナリには不透明な層が加えられている。 我々は、モバイルデバイス上でPCCの実装をリバースエンジニアリングし、プライバシの側面を評価し、カスタムPCCクエリをサポートするために、その非パブリックインターフェースをローカルデバイスにオープンしました。
• 参考スコア（独自算出の注目度）: 7.494119323828966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many existing Artificial Intelligence (AI) solutions on mobile devices rely on an extensive collection of sensitive data, raising privacy concerns and often requiring storage for both context and model improvement. Apple's Private Cloud Compute (PCC) aims to address this by emphasizing mobile device integration and a privacy-first design. The central claim of PCC is that it does not store any user data and that user input and user accounts are unlinkable. While most of the PCC system specifications are public, compiled binaries add a layer of opaqueness. There are no reproducible builds, and there are no symbols within those binaries, creating potential discrepancies between the specification and what is shipped to the user. Additionally, the underlying models and interfaces for querying PCC are not openly accessible, limiting academic evaluation of model properties, such as accuracy. This poses a challenge in assessing whether a privacy-preserving approach like PCC is actually trustworthy while also providing high-quality answers. We are the first to reverse-engineer the PCC implementation on mobile devices to evaluate privacy aspects and to open its non-public interfaces on local devices to support custom PCC queries. We demonstrate this level of access beyond Apple's intended use cases by independently benchmarking the PCC model. We enable future research by making our PCC benchmarking framework publicly available.
• Abstract（参考訳）: モバイルデバイス上の既存の人工知能(AI)ソリューションの多くは、機密データの大規模な収集に依存しており、プライバシの懸念を高め、コンテキストとモデルの改善の両方にストレージを必要とすることが多い。 AppleのPrivate Cloud Compute(PCC)は、モバイルデバイスの統合とプライバシ優先の設計を強調して、この問題に対処することを目指している。 PCCの主張の中心は、ユーザーデータを一切保存せず、ユーザー入力とユーザーアカウントがリンクできないことである。 PCCシステム仕様の大部分は公開されているが、コンパイルされたバイナリには不透明な層が加えられている。 再現可能なビルドはなく、それらのバイナリにはシンボルがなく、仕様とユーザに出荷されるものとの間に潜在的な相違が生じます。 さらに、PCCをクエリする基盤となるモデルやインターフェースは、オープンにアクセスできないため、精度などのモデル特性の学術的評価が制限される。 これは、PCCのようなプライバシ保護アプローチが、高品質な回答を提供しながら、実際に信頼できるかどうかを評価する上で、課題となる。 我々は、モバイルデバイス上でPCCの実装をリバースエンジニアリングし、プライバシの側面を評価し、カスタムPCCクエリをサポートするために、その非パブリックインターフェースをローカルデバイスにオープンしました。 我々は、PCCモデルを独立してベンチマークすることで、Appleの意図したユースケースを超えて、このレベルのアクセスを実証する。 我々はPCCベンチマークフレームワークを一般公開することで将来の研究を可能にする。

関連論文リスト

• What If, But Privately: Private Counterfactual Retrieval [34.11302393278422]
  透明性と説明可能性は、ブラックボックス機械学習モデルを高精細なアプリケーションに採用する際に考慮すべき重要な2つの側面である。 反事実的説明を提供することは、この要件を満たす一つの方法であるが、説明を提供する機関のプライバシーと、それを要求している利用者に脅威を与える。 本フレームワークは,利用者の完全かつ情報理論的,プライバシーを達成しつつ,受理点のデータベースから最も近い近隣の偽説明を検索する。
  論文  参考訳（メタデータ） (2025-08-05T17:51:01Z)
• 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)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Trusted Machine Learning Models Unlock Private Inference for Problems Currently Infeasible with Cryptography [30.57370996703948]
  有能な機械学習モデルは信頼できるサードパーティの役割を果たすことができると我々は主張する。 このアプローチは、プライバシと計算効率のバランスを達成することを目的としている。 単純な古典的暗号問題でさえ、すでにTCMEで解決できることが示されている。
  論文  参考訳（メタデータ） (2025-01-15T17:28:53Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• {A New Hope}: Contextual Privacy Policies for Mobile Applications and An Approach Toward Automated Generation [19.578130824867596]
  コンテキストプライバシポリシ(CPP)の目的は、プライバシポリシを簡潔なスニペットに断片化し、アプリケーションのグラフィカルユーザインターフェース(GUI)内の対応するコンテキスト内でのみ表示することである。 本稿では,モバイルアプリケーションシナリオでCPPを初めて定式化し,モバイルアプリケーション用のCPPを自動生成するSeePrivacyという新しいマルチモーダルフレームワークを提案する。 人間の評価では、抽出されたプライバシーポリシーセグメントの77%が、検出されたコンテキストと適切に一致していると認識されている。
  論文  参考訳（メタデータ） (2024-02-22T13:32:33Z)
• Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores [18.91869691495181]
  モジュールアーキテクチャであるLibertasを導入し、MPCとSolidのようなPSDを統合する。 我々は、全知的な視点から、個人ベースの、ユーザ中心の信頼とセキュリティへのパラダイムシフトを紹介します。
  論文  参考訳（メタデータ） (2023-09-28T12:07:40Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• 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。