論文の概要: Privacy-Preserving Screening for Record Linkage

• arxiv url: http://arxiv.org/abs/2605.26882v1
• Date: Tue, 26 May 2026 11:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.981689
• Title: Privacy-Preserving Screening for Record Linkage
• Title（参考訳）: 記録リンクのためのプライバシ保護スクリーニング
• Authors: Chenyu Huang, Fan Zhang, Huangxun Chen, Yongjun Zhao, Huaming Rao, Peng Chen, Danqing Huang,
• Abstract要約: 2つのパーティのプライバシ保存記録(PPRS)は、潜在的なコラボレーションの価値を評価し、関連するデータのプライバシとセキュリティを確保するために出現する。 安全で効果的かつ効率的なPPRSを実現するための回路PSIベースのシステムであるAppraisalを提案する。
• 参考スコア（独自算出の注目度）: 15.372095210712322
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In an era dominated by big data and machine learning, establishing valuable data collaboration has never been more critical. However, such collaborations must operate under regulatory and legal constraints. Two-party Privacy-Preserving Record Linkage (PPRL) emerges to assess the potential collaboration value and also ensure the privacy and security of the involved data. Nevertheless, the substantial computational and communication overheads associated with PPRL hinder its practical adoption in data markets with numerous potential collaborators. Therefore, we present the Screening-then-Linkage framework, which incorporates a lightweight Screening phase prior to the resource-intensive PPRL phase, i.e., PPRS, to mitigate the scalability issue of PPRL. We propose a circuit-PSI-based system, named Appraisal to realize a secure, effective, and efficient PPRS. To reconcile the approximate matching and/or schema-aware setting required in PPRS with the limitations of the circuit-PSI supporting only symmetric functions, we propose a more communication-efficient secure permutation, i.e., Oblivious Attribute/Feature Alignment protocol tailored for PPRS. This protocol supports a broader range of comparison functions and significantly improves efficiency, i.e., reducing communication costs by a factor of 14 compared to the conventional protocol. Our rigorous analysis and comprehensive empirical evaluations demonstrate the security, effectiveness, and efficiency of Appraisal. Appraisal can accommodate up to $850\times$ more records than the SOTA PPRS system, SFour, within the same constraints. Moreover, it is $165 \times$ faster than SOTA PPRL, indicating the Screening-then-Linkage framework substantially decreases the computation time required to identify the most valuable collaborators from a large pool of candidates.
• Abstract（参考訳）: ビッグデータと機械学習が支配する時代において、貴重なデータコラボレーションを確立することは、これまで以上に重要とされてきた。 しかし、このような協力は規制および法的制約の下で運営されなければならない。 サードパーティのプライバシ保存記録リンク(PPRL)が登場し、潜在的なコラボレーションの価値を評価し、関連するデータのプライバシとセキュリティを確保する。 それでも、PPRLに関連するかなりの計算と通信のオーバーヘッドは、多くの潜在的な協力者を持つデータ市場において実践的な採用を妨げている。 そこで,資源集約型PPRLフェーズ(PPRS)に先立って,軽量なScreeningフェーズを組み込んだScreening-then-Linkageフレームワークを提案し,PPRLのスケーラビリティ問題を緩和する。 安全で効果的で効率的なPPRSを実現するための回路PSIベースのシステムであるAppraisalを提案する。 対称関数のみをサポートする回路PSIの制限とPPRSで必要となる近似マッチングおよび/またはスキーマ認識の設定を整合させるために,我々は,PPRSに適した通信効率の高いセキュアな置換,すなわちOblivious Attribute/Feature Alignmentプロトコルを提案する。 このプロトコルは、幅広い比較機能をサポートし、通信コストを従来のプロトコルに比べて14倍に削減し、効率を大幅に改善する。 厳密な分析と総合的な実証評価は,評価の安全性,有効性,効率性を実証するものである。 評価は、同じ制約の中でSOTA PPRSシステムであるSFourよりも最大850\times$のレコードを扱える。 さらに、SOTA PPRLよりも165 \times$で、Screening-then-Linkageフレームワークは、大量の候補から最も価値のある協力者を識別するのに要する計算時間を著しく短縮することを示している。

関連論文リスト

• OPV: Outcome-based Process Verifier for Efficient Long Chain-of-Thought Verification [91.15649744496834]
  本稿では、長い思考の連鎖から要約された結果の合理化過程を検証する、アウトカムベースプロセス検証(OPV)を提案する。 OPV は 76.3 と比較して F1 スコアが 83.1 の Qwen3-Max-Preview など,はるかに大きなオープンソースモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-12-11T15:47:38Z)
• Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
  本稿では,マルチラウンド階層的推論を行う長期水平数学エージェントであるIntern-S1-MOを紹介する。 コンパクトメモリをレムマの形で維持することにより、Intern-S1-MOはレムマリッチ推論空間をより自由に探索することができる。 実験の結果、インターンS1-MOはIMO2025の非幾何学的問題で35点中26点を得ることができ、銀メダリストのパフォーマンスに匹敵することがわかった。
  論文  参考訳（メタデータ） (2025-12-11T15:26:28Z)
• Accelerating RL for LLM Reasoning with Optimal Advantage Regression [52.0792918455501]
  本稿では,最適優位関数を直接近似する新しい2段階ポリシー最適化フレームワークを提案する。 A$*-POは、幅広い数学的推論ベンチマークで競合性能を達成する。 PPO、GRPO、REBELと比較して、トレーニング時間を最大2$times$、ピークメモリ使用率を30%以上削減する。
  論文  参考訳（メタデータ） (2025-05-27T03:58:50Z)
• The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries [14.232901861974819]
  プライバシー保護機械学習(PPML)は、機密情報を保護しながらセキュアなデータ分析を可能にする革新的なアプローチである。 セキュアな線形関数評価のための効率的なプロトコルを導入する。 我々は、このプロトコルを拡張して、線形層と非線形層を扱い、幅広い機械学習モデルとの互換性を確保する。
  論文  参考訳（メタデータ） (2024-11-14T08:55:14Z)
• Accelerating Privacy-Preserving Medical Record Linkage: A Three-Party MPC Approach [1.7999333451993955]
  本稿では,セキュアな3次元計算フレームワークに基づく,新規で効率的なPPRLを提案する。 提案手法は,最先端PPRL法のリンク品質を最大14倍高速に保ちながら維持できることを実証する。
  論文  参考訳（メタデータ） (2024-10-28T23:13:01Z)
• AHSecAgg and TSKG: Lightweight Secure Aggregation for Federated Learning Without Compromise [7.908496863030483]
  AHSecAggは、加法的ホモモルフィックマスクを用いた軽量なセキュアアグリゲーションプロトコルである。 TSKGはThreshold Signatureベースのマスキング鍵生成方式である。
  論文  参考訳（メタデータ） (2023-12-08T10:06:17Z)
• What can online reinforcement learning with function approximation benefit from general coverage conditions? [53.90873926758026]
  オンライン強化学習(RL)では、マルコフ決定過程(MDP)の標準的な構造仮定を採用する代わりに、特定のカバレッジ条件を使用するだけで十分である。 本研究は,より可能で一般的なカバレッジ条件を掘り下げることにより,この新たな方向性に焦点をあてる。 我々は、集中度の変化である$Lp$の変動、密度比の実現可能性、部分/レストカバレッジ条件でのトレードオフなど、さらに多くの概念を識別する。
  論文  参考訳（メタデータ） (2023-04-25T14:57:59Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)
• MPClan: Protocol Suite for Privacy-Conscious Computations [15.169168801732505]
  本研究は, より多くの参加者を支援するための戦略を, 中心的な段階において効率よく, 誠実な大局面で拡張するものである。 改善されたプロトコルは、前回の作業よりも60～80%のコスト削減に役立ちます。
  論文  参考訳（メタデータ） (2022-06-24T11:47:15Z)

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。