論文の概要: Secure Distributed Hypothesis Testing

• arxiv url: http://arxiv.org/abs/2605.29760v1
• Date: Thu, 28 May 2026 11:09:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.192485
• Title: Secure Distributed Hypothesis Testing
• Title（参考訳）: セキュアな分散仮説テスト
• Authors: Gowtham R. Kurri, Varun Narayanan, Vinod M. Prabhakaran, K. R. Sahasranand,
• Abstract要約: 分散仮説テストでは、中央サーバは、分散センサ/クライアントから受信した情報に基づいて仮説テストを行う。 本研究では,中央サーバが分布自体に関する追加情報を学習することなく,基礎となる分布の仮説クラスを決定するという,この問題の安全な変種について検討する。 単一ビットシークレットキーは、テスト分布の対称な正準インスタンスを減らし、単純なクラスに対して完全に安全なテストを可能にすることを示す。
• 参考スコア（独自算出の注目度）: 10.97895782122657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In distributed hypothesis testing, a central server performs hypothesis testing based on information received from distributed sensors/clients. We study a secure variant of this problem in which the central server determines the hypothesis class of an underlying distribution without learning any additional information about the distribution itself. We prove that, in its standard form, this is impossible to achieve, even for simple and highly restricted cases. To bypass this impossibility, we augment the model with a shared secret key available to clients but hidden from the server. We show that a single-bit secret key enables perfectly secure testing for simple classes by reducing the test distributions to a symmetric, canonical instance. Finally, for arbitrary hypothesis classes over finite domains, we establish a reduction to standard hypothesis testing using Private Simultaneous Messages (PSM) protocols, achieving polynomial communication and key lengths.
• Abstract（参考訳）: 分散仮説テストでは、中央サーバは、分散センサ/クライアントから受信した情報に基づいて仮説テストを行う。 本研究では,中央サーバが分布自体に関する追加情報を学習することなく,基礎となる分布の仮説クラスを決定するという,この問題の安全な変種について検討する。 我々は、その標準形式では、単純かつ高度に制限されたケースであっても、これは達成できないことを証明している。 この不可能性を回避するため、クライアントが利用可能な共有秘密鍵でモデルを拡張し、サーバから隠蔽する。 単一ビット秘密鍵は、テスト分布を対称な正準インスタンスに還元することで、単純なクラスに対して完全にセキュアなテストを可能にすることを示す。 最後に,有限領域上の任意の仮説クラスに対して,PSM(Private Simultaneous Messages)プロトコルを用いた標準仮説テストの削減,多項式通信と鍵長の達成を行う。

関連論文リスト

• VAE-Inf: A statistically interpretable generative paradigm for imbalanced classification [8.677199689027772]
  生成的モデリングと識別的分類のギャップを埋める2段階の枠組みを提案する。 推論のために、自然な仮説テストの解釈を受け入れるプロジェクションベースのスコアを導入する。 様々な実世界のベンチマークの実験は、我々のフレームワークが他のアプローチと競合する性能を達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-28T07:50:56Z)
• Kernel conditional tests from learning-theoretic bounds [16.813275168865953]
  本研究では,条件付き確率分布の仮説テストのためのフレームワークを提案する。 次に、条件分布の関数の統計的テストを構築する。 本研究は,機能検査の総合的基盤を構築した。
  論文  参考訳（メタデータ） (2025-06-04T12:53:13Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Device-independent certification of desirable properties with a confidence interval [0.0]
  厳密なデバイスに依存しない認証のための汎用的なソリューションを提供する。 PBRプロトコルとマーチンゲールベースのプロトコルがよく似た性能を示す。 また,マルティンゲールに基づくプロトコルの性能は,目撃者の選択に大きく影響している可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-12T15:21:21Z)
• Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
  逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。 私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
  論文  参考訳（メタデータ） (2023-04-29T01:30:33Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size [24.149533870085175]
  我々は、Renyi差分プライバシーとして知られる、差分プライバシーのわずかな変種の下で、シーケンシャル仮説テスト問題を研究する。 我々は,Wald's Sequential Probability Ratio Test (SPRT)に基づく新たなプライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-10T04:15:50Z)
• Optimal high-dimensional and nonparametric distributed testing under communication constraints [1.3535770763481905]
  データを複数のマシンで分割する分散フレームワークにおいて、最小限のテストエラーを導出する。 分散テストは, 分散推定では観測されない, 基本的に異なる現象を伴っていることを示す。
  論文  参考訳（メタデータ） (2022-02-02T11:31:02Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)

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。