論文の概要: SHARD: cell-keyed residual splitting for alignment-resistant private dense retrieval

• arxiv url: http://arxiv.org/abs/2606.27976v2
• Date: Tue, 30 Jun 2026 08:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 13:50:27.709163
• Title: SHARD: cell-keyed residual splitting for alignment-resistant private dense retrieval
• Title（参考訳）: SHARD:アライメント耐性私的高密度検索のための細胞鍵残基分割法
• Abstract要約: SHARDは、その弱い軸を除去する検索保存型埋め込み変換である。 センス埋め込みはセマンティック検索と検索強化生成の基盤となる。 SHARDは攻撃を意識した防御であり、暗号的な保証ではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense embeddings underpin semantic search and retrieval-augmented generation, yet a leaked vector store hands much of the underlying text back. Modern inversion and alignment attacks share one weakness: the protected store is a single global geometry, and any single geometry can be aligned to a known one - a secret global rotation included, since orthogonal Procrustes recovers it from about subspace-dimension known-plaintext pairs. We introduce SHARD, a retrieval-preserving embedding transform that removes that weak axis. The centred embedding is rotated and split into a short public prefix (driving stage-1 retrieval) and a private residual sharded into C cells, each rotated under a separate secret key; the residual is reranked under CKKS, where the keys cancel and the inner product stays exact. One parameter C spans the global-linear baseline (C=1) to per-document micro-keys (C=N), making the keyed residual a cancellable template - revocable, renewable, unlinkable - for text embeddings, the first such scheme for dense retrieval. On five encoders: full-dimensional reranking returns the raw-space nDCG@10 that half-SVD truncation gives up; recovering the cell-keyed residual under a diffuse known-plaintext leak costs about C times more anchors (median 200 to 102,400 at C=256) for a few encrypted residual queries and the short public prefix leaks far less neighbour structure, with a micro-key limit driving residual leakage to zero. The barrier holds against learned-linear, non-linear and unsupervised aligners, and where a matched-utility noise defence de-anonymises almost every probe, SHARD de-anonymises none. Limits: within a cell similarities survive, a targeted attacker on one victim's cell needs only about d_priv anchors, and an overlapping reference corpus still leaks through the public prefix. SHARD is an attack-aware geometric defence, not a cryptographic guarantee.
• Abstract（参考訳）: センス埋め込みはセマンティック検索と検索拡張生成の基盤となるが、リークベクターストアは基盤となるテキストの多くを返却する。 保護されたストアは単一のグローバルジオメトリであり、すべての単一のジオメトリは既知のジオメトリに整列することができる。 弱い軸を除去する検索保存型埋め込み変換であるSHARDを導入する。 中心埋め込みを回転させ、短い公開プレフィックス(走行段階−1検索)とC細胞に分割し、それぞれ別々の秘密鍵の下で回転させ、残余をCKKSで再ランクし、キーをキャンセルし、内部積を正確に保持する。 1つのパラメータ C はグローバルリニアベースライン (C=1) からドキュメントごとのマイクロキー (C=N) にまたがり、キー付き残余は、高密度検索のための最初のスキームであるテキスト埋め込みのための、取り消し可能、再生可能、リンク不能のテンプレートとなる。 5つのエンコーダについて: 半SVDトランケーションが諦めた生の空間 nDCG@10 を返却し、いくつかの暗号化された残余クエリに対してC倍のアンカー(中間200から102,400 at C=256)がかかり、短い公開プレフィックスは近傍構造をはるかに小さくし、マイクロキー制限による残余リークはゼロになる。 この障壁は、学習された線形で、非線形で、教師なしの整列器に反し、マッチした実用性のある防音がほぼ全てのプローブを非匿名化している場合、SHARDは無匿名化しない。 制限:あるセルの類似性の中で、ある被害者のセルの標的攻撃者は、d_privアンカーの約1つしか必要とせず、重複する参照コーパスがパブリックプレフィックスを通じて漏れている。 SHARDは攻撃を意識した幾何学的防御であり、暗号的な保証ではない。

関連論文リスト

• Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model [0.0]
  本研究では,静的コレクションと動的クエリの非対称性を利用した中間経路について検討する。 各ベクトルは下次元のSVD部分空間に切り替わり回転する。 我々は,保護された部分空間に閉じ込められた攻撃者の復元誤差に対して,厳密な下限を証明した。
  論文  参考訳（メタデータ） (2026-06-24T20:50:58Z)
• Kamera: Unified Position-Invariant Multimodal KV Cache for Training-Free Reuse [1.081571058570587]
  マルチモーダルエージェントは、同じビデオフレーム、UIスクリーンショット、アーティファクトをコンテキストウィンドウスライドとして再検査する。 この再計算は回避可能であることを示すとともに,KV再利用が損なうものを特定する。 したがって、ブラインドはシングルホップのリコールをそのまま残し、マルチホップの精度を半減させる。 トレーニング不要な低ランク条件パッチを各位置のないチャンクに格納して修復する。
  論文  参考訳（メタデータ） (2026-06-22T16:47:00Z)
• Cross-Session Threats in AI Agents: Benchmark, Evaluation, and Algorithms [0.0]
  CSTM-Benchは、キルチェーンステージとクロスセッション操作によって分類された26の実行可能な攻撃である。 Hugging FaceでIntrinsec-ai/cstm-benchとしてリリースされた。
  論文  参考訳（メタデータ） (2026-04-22T22:40:31Z)
• Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors [48.881343993730844]
  安全性に整合した大規模言語モデル(LLM)は、現実世界のパイプラインにますますデプロイされている。 敵は通常の評価では動作しないバックドアのチェックポイントを配布することができる。 最近のポストホック重み付け法は、そのようなバックドアを注入するための効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-14T06:48:33Z)
• The cool and the cruel: separating hard parts of LWE secrets [11.000531626756853]
  スパースバイナリLWEシークレットに対する既知の攻撃には、スパースデュアルアタックとミドルアタックにおけるハイブリッドスパースデュアルミートが含まれる。 本稿では,メモリ要求の少ない新しい統計的攻撃を提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:16:21Z)
• Iterative Sketching for Secure Coded Regression [66.53950020718021]
  分散線形回帰を高速化する手法を提案する。 具体的には、方程式の系の基礎をランダムに回転させ、次にサブサンプルブロックを回転させ、情報を同時に確保し、回帰問題の次元を小さくする。
  論文  参考訳（メタデータ） (2023-08-08T11:10:42Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Recovering AES Keys with a Deep Cold Boot Attack [91.22679787578438]
  コールドブート攻撃は、電源がシャットダウンされた直後に破損したランダムアクセスメモリを検査する。 本研究では,AES鍵に対する攻撃を適用するために,深誤り訂正符号手法の新たな暗号版とSATソルバ方式を併用する。 以上の結果から,本手法は攻撃方法の精度を極めて高いマージンで上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-06-09T07:57:01Z)
• Stochastic Linear Bandits with Protected Subspace [51.43660657268171]
  線形目的関数を最適化するが、報酬は未知の部分空間にのみ得られる線形帯域問題の変種について検討する。 特に、各ラウンドでは、学習者は、目的または保護されたサブスペースを、アクションの選択とともにクエリするかどうかを選択する必要がある。 提案アルゴリズムはOFULの原理から導かれるもので,保護された空間を推定するためにクエリのいくつかを利用する。
  論文  参考訳（メタデータ） (2020-11-02T14:59:39Z)

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。