論文の概要: A no-go theorem for privacy in distributed sensing using Gaussian states

• arxiv url: http://arxiv.org/abs/2606.23796v1
• Date: Mon, 22 Jun 2026 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.614618
• Title: A no-go theorem for privacy in distributed sensing using Gaussian states
• Title（参考訳）: ガウス状態を用いた分散センシングにおけるNo-go定理
• Authors: Jason L. Pereira, Damian Markham,
• Abstract要約: ガウス状態をリソースとして使用する分散センシングプロトコルでは,完全なプライバシを実現することは不可能である。 また、ガウス分布センシングプロトコルが局所パラメータを隠蔽できる程度の範囲を限定して、相対プライバシーの尺度も導入する。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the discrete variable setting, entangled resource states allow a set of parties to learn a global function of a set of spatially separated systems, whilst keeping the local parameters of those systems completely private. In the continuous variable setting, distributed sensing has been carried out using Gaussian resource states, but without the same guarantees about privacy. Here, we show that perfect privacy is impossible to achieve for any distributed sensing protocol that uses Gaussian states as a resource. We also introduce a measure of relative privacy, bounding the degree to which any Gaussian distributed sensing protocol can keep local parameters hidden.
• Abstract（参考訳）: 離散的な変数設定では、絡み合ったリソース状態は、一組のパーティが空間的に分離されたシステムのグローバル関数を学習し、それらのシステムのローカルパラメータを完全にプライベートにする。 連続的な変数設定では、ガウスのリソース状態を使用して分散センシングが実施されているが、プライバシに関する保証は同じではない。 ここでは,ガウス状態をリソースとして使用する分散センシングプロトコルにおいて,完全なプライバシを実現することは不可能であることを示す。 また、ガウス分布センシングプロトコルが局所パラメータを隠蔽できる程度の範囲を限定して、相対プライバシーの尺度も導入する。

関連論文リスト

• Privacy in continuous-variable distributed quantum sensing [0.6745502291821954]
  本研究では,連続可変状態における分散量子センシングプロトコルの導入と解析を行う。 本研究では, 平均位相を高精度に推定し, 全光子数でハイゼンベルクスケーリングを示す。 完全なプライバシは、マルチパーティ設定で有限のスクイーズには到達できませんが、大きなスクイーズ制限の中で現れます。
  論文  参考訳（メタデータ） (2025-09-15T18:06:48Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Private and Robust States for Distributed Quantum Sensing [1.2499537119440245]
  分散量子センシングにより、空間的に分離されたプローブに符号化された複数のパラメータを推定できる。 このような設定では、必要以上に多くの情報を与えたくないのは自然なことです。 我々は、機能に関するプライバシーの概念を使用し、ターゲット機能に関する情報だけがすべての関係者に利用可能であることを保証します。
  論文  参考訳（メタデータ） (2024-07-31T15:46:50Z)
• Universal Exact Compression of Differentially Private Mechanisms [47.57948804514929]
  本稿では,任意の局所乱数化器の圧縮とシミュレートを目的とした,Poisson private representation (PPR) と呼ばれる新しい構成を提案する。 PPRは、データの結合分布と元のローカルランダム化器の出力を保存する。 実験結果から、PPRはコミュニケーション、正確性、中央および局所的な差分プライバシーの間のトレードオフを一貫して改善することが示された。
  論文  参考訳（メタデータ） (2024-05-28T23:54:31Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)
• Differential Privacy of Dirichlet Posterior Sampling [0.0]
  ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。 トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
  論文  参考訳（メタデータ） (2021-10-03T07:41:19Z)
• The Distributed Discrete Gaussian Mechanism for Federated Learning with Secure Aggregation [28.75998313625891]
  本稿では,データを適切に識別し,セキュアアグリゲーションを行う前に離散ガウス雑音を付加する総合的なエンドツーエンドシステムを提案する。 私達の理論的保証はコミュニケーション、プライバシーおよび正確さ間の複雑な緊張を強調します。
  論文  参考訳（メタデータ） (2021-02-12T08:20:18Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)

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。