論文の概要: Reliable Homomorphic Matching for Fuzzy Labeled PSI at Scale

• arxiv url: http://arxiv.org/abs/2606.27803v1
• Date: Fri, 26 Jun 2026 07:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.40987
• Title: Reliable Homomorphic Matching for Fuzzy Labeled PSI at Scale
• Title（参考訳）: ファジィラベル付きPSIの信頼性均質マッチング
• Abstract要約: Fuzzy Labeled Private Set Intersection (FLPSI)は、受信者がそのクエリと同じような登録レコードのラベルを学習する。 我々は、その準同型形式について研究し、レベル付きBFV準同型暗号(HE)、ガーブラード回路、シークレット共有を組み合わせて、暗号の下での一致を判定し、レコードのラベルを解放する。
• 参考スコア（独自算出の注目度）: 0.6430130814523795
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fuzzy Labeled Private Set Intersection (FLPSI) lets a receiver learn the labels of enrolled records similar to its query, and nothing else. Constructions based on a set-threshold reduction reach practical performance: a query matches a record when the two agree on a threshold number of components, and the private matching is delegated to an inner set-threshold kernel. We study its homomorphic form, which combines leveled-BFV homomorphic encryption (HE), a garbled circuit, and secret sharing to decide the match under encryption and release the record's label. We identify a composition gap in this kernel: efficiency is bought with a per-trial false-accept probability, but one query runs a trial for every record, so the error compounds with the database size into the kernel's realization soundness error (RSE), the rate at which it accepts a query the plaintext matcher would reject. The RSE is a reliability property of the cryptographic matching layer, not the matcher's accuracy, and a sound kernel must contribute zero or negligible RSE of its own. We formalize this as a composable security property, give a closed-form bound on the receiver's advantage, and close the gap with CSTPSI, a kernel that runs independent token rounds and raises the per-trial bound to a matching power. We prove CSTPSI secure in the semi-honest model. The bound sets the round count: two token rounds suffice for million-scale databases and three for billion-scale at the $10^{-6}$ engineering threshold. Our evaluation confirms this: at a million records the baseline kernel's RSE reaches 100% while CSTPSI holds it at 0 in every measured configuration. For large labels at small to moderate scale CSTPSI is more than 20x faster than the baseline, with up to 93% less communication, converging to the baseline only at million-scale. Our implementation, with a one-command reproducibility harness, is publicly available.
• Abstract（参考訳）: Fuzzy Labeled Private Set Intersection (FLPSI)は、受信者がそのクエリと同じような登録レコードのラベルを学習する。 クエリは2つのコンポーネントがしきい値に一致したときの記録と一致し、プライベートマッチングは内部のセット閾値カーネルに委譲される。 我々は、その準同型形式について研究し、レベル付きBFV準同型暗号(HE)、ガーブラード回路、シークレット共有を組み合わせて、暗号の下での一致を判定し、レコードのラベルを解放する。 このカーネルのコンポジションギャップを識別する: 効率は裁判所ごとの誤認識確率で購入されるが、あるクエリはすべてのレコードに対してトライアルを実行するため、データベースサイズがカーネルの現実化音質誤差(RSE)に結びついているエラーは、平文マーカが拒否するクエリを受け付けているレートである。 RSEは暗号マッチング層の信頼性特性であり、マーカの精度ではない。 我々はこれを構成可能なセキュリティ特性として形式化し、受信機のアドバンテージにクローズドフォームのバウンドを与え、独立したトークンラウンドを実行し、裁判所ごとのバウンドを整合パワーに引き上げるカーネルCSTPSIとのギャップを埋める。 我々はCSTPSIを半正直なモデルで証明する。 2回のトークンラウンドは100万規模のデータベースで十分で、3回は10〜6ドルのエンジニアリングしきい値で10億ドル規模のデータベースで十分だ。 ベースラインカーネルの RSE は 100 万レコードで100%,CSTPSI は 0 で測定されている。 小規模から中規模の大規模ラベルでは、CSTPSIはベースラインよりも20倍以上高速で、最大93%の通信速度でベースラインに収束する。 ワンコマンドの再現性ハーネスによる実装が公開されています。

関連論文リスト

• Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation [0.0]
  不均一処理効果(CATE)を推定するには、同時に効果の修正を検出し、推定の不確実性を定量化する必要がある。 意味に基づくアプローチは、グループ間の相互作用を直接識別するが、妥当な推論を欠いている。 本稿では,真正なサンプル分割とクロスバリデーションで意味に基づく分割を融合するハイブリッドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-07-04T19:50:35Z)
• ScoreGate: Adaptive Chunk Selection for Retrieval-Augmented Generation via Dual-Score Statistical Fusion [0.0]
  本稿では,ScoreGateについて述べる。ScoreGateは軽量なスコア空間決定機構で,推定時刻における検索濃度を制御する。 MS MARCO (200 開発クエリ)では、ScoreGate は MRR@10 = 0.401 を達成する。 MS MARCOと実世界の生産トラフィックの結果から,適応的検索基準は検索品質を劣化させることなく,検索効率を向上させることが示唆された。
  論文  参考訳（メタデータ） (2026-06-12T08:51:24Z)
• Practical Anonymous Two-Party Gradient Boosting Decision Tree [7.18882495711708]
  高速かつ解釈しやすさは、金融と医療で人気がある勾配式決定木(GBDT)を作る。 GBDTのセキュアな計算を実行することはユニークな課題であり、比較のために安全なレコードアライメントを必要とする。 提案する回路PSIは,受信側がリフレクタとしてリプレースし,ローカルな特徴に対してピック・セブンサムを実行するための回路PSIである。
  論文  参考訳（メタデータ） (2026-05-26T12:02:14Z)
• Auditing Privacy in Multi-Tenant RAG under Account Collusion [1.253312107729806]
  マルチテナント検索拡張生成サービスは、ログ単位の差分プライバシーを操作リーク境界として宣伝する。 我々は、同一インデックスのマルチアカウント共謀をプライバシ境界障害とみなす。 修正されていないRAGデプロイメントに対して動作する最初の監査プロトコルを設計する。
  論文  参考訳（メタデータ） (2026-05-19T13:41:59Z)
• Deterministic Fuzzy Triage for Legal Compliance Classification and Evidence Retrieval [0.0]
  法律チームはますます、大量の契約上の証拠をトリアージするために機械学習を使用している。 多くのモデルは不透明で非決定論的であり、HIPAAやNERC-CIPのようなフレームワークと整合するのは難しい。 決定論的双対エンコーダと透明なファジィトリアージバンドに基づく簡単な再現可能な代替法について検討する。
  論文  参考訳（メタデータ） (2026-03-08T00:31:34Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
  共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。 提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
  論文  参考訳（メタデータ） (2025-06-19T19:14:25Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• PAC Prediction Sets Under Label Shift [52.30074177997787]
  予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。 ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。 提案手法を5つのデータセットで評価する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:57Z)
• Detection Transformer with Stable Matching [48.963171068785435]
  もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。 本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。 12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
  論文  参考訳（メタデータ） (2023-04-10T17:55:37Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。