論文の概要: Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection
- arxiv url: http://arxiv.org/abs/2607.04194v1
- Date: Sun, 05 Jul 2026 09:36:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.865107
- Title: Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection
- Title（参考訳）: 問合せ範囲保護を用いた分散地理データ上での効率的かつ安全な範囲カウント
- Abstract要約: レンジカウントは、データが複数の組織に分散されるときに、かなりのプライバシー上の懸念を引き起こす。
既存のプライバシ保護プロトコルはデータセットの保護に重点を置いているが、重複するデータの効率性、クエリのプライバシ、精度を同時に達成することはできない。
プライバシ,効率,精度の要件をすべて満たす最初のプロトコルであるPPRCを提案する。
- 参考スコア（独自算出の注目度）: 21.52397359712602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Range counting is a core primitive in geographic information systems. When data is distributed across multiple organizations, conducting range counting raises substantial privacy concerns. Existing privacy-preserving protocols focus on protecting organizations' datasets, but cannot simultaneously achieve efficiency, query privacy, and accuracy on overlapping data. Typical protocols process query range in plaintext for efficient point-in-range evaluation, since query-private designs rely on expensive secure comparisons. Moreover, most works assume non-overlapping datasets across organizations, which leads to huge errors in overlapping scenarios. In this paper, we propose PPRC, the first protocol that jointly satisfies all the privacy, efficiency, and accuracy requirements. PPRC makes two key technical contributions. First, we design the Private Range Predicate (PRP) technique that supports efficient point-in-range evaluation while protecting the query range. PRP reformulates range evaluation as encrypted membership tests, effectively replacing costly secure comparisons with faster secure multiplications. Second, we propose Oblivious Linear Counting (OLC), an aggregation scheme that efficiently and securely aggregates partial results from organizations with overlapping data. OLC involves only lightweight cryptographic operations and ensures that no information is leaked beyond the final range count. We theoretically analyze the accuracy, efficiency, and security of PPRC. Experiments on real-world and synthetic datasets show that PPRC achieves up to 55x smaller errors and 37x speedup compared to baseline protocols.
- Abstract（参考訳）: レンジカウントは地理情報システムにおける中核的なプリミティブである。
複数の組織にまたがってデータが分散される場合、範囲カウントを行うと、かなりのプライバシー上の懸念が生じる。
既存のプライバシ保護プロトコルは、組織のデータセットを保護することに重点を置いているが、効率性、クエリのプライバシ、重複するデータの精度を同時に達成することはできない。
クエリプライベートな設計は高価なセキュアな比較に頼っているため、平文で効率的なポイント・イン・レンジ評価を行うのが一般的なプロトコルである。
さらに、ほとんどの研究では、重複しないデータセットを組織全体に想定しているため、重複するシナリオでは大きなエラーが発生します。
本稿では,プライバシ,効率,精度の要件をすべて満たす最初のプロトコルであるPPRCを提案する。
PPRCは2つの重要な技術貢献をしている。
まず、クエリ範囲を保護しながら、効率的なポイントインレンジ評価を支援するPrivate Range Predicate (PRP) 手法を設計する。
PRPは、暗号化されたメンバシップテストとして範囲評価を改定し、コストの高いセキュアな比較を高速なセキュアな乗算に置き換える。
第2に,重なり合うデータを持つ組織の部分的な結果を効率的かつ確実に集約する集約方式であるOblivious Linear Counting (OLC)を提案する。
OLCは軽量な暗号操作のみを伴い、最終範囲数を超える情報がリークされることを保証する。
PPRCの精度,効率,安全性を理論的に解析する。
実世界のデータセットと合成データセットの実験では、PPRCはベースラインプロトコルに比べて55倍小さなエラーと37倍のスピードアップを達成した。
関連論文リスト
- CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。
我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。
CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
論文 参考訳（メタデータ） (2026-06-02T13:07:43Z) - 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) - Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。
我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
論文 参考訳（メタデータ） (2025-07-13T15:29:14Z) - Data Poisoning Attacks to Locally Differentially Private Range Query Protocols [15.664794320925562]
ローカル微分プライバシー(LDP)は、分散データ収集においてユーザのプライバシを保護するために広く採用されている。
近年の研究では、LDPプロトコルがデータ中毒攻撃に弱いことが判明している。
本稿では LDP 範囲のクエリプロトコルをターゲットとしたデータ中毒攻撃に関する最初の研究について述べる。
論文 参考訳（メタデータ） (2025-03-05T12:40:34Z) - EVA-S2PLoR: Decentralized Secure 2-party Logistic Regression with A Subtly Hadamard Product Protocol (Full Version) [2.1010315462623184]
本稿では, 効率的な, 検証可能な, 正確なセキュリティ2パーティロジスティック回帰フレームワーク(EVA-S2PLoR)を提案する。
下位にセキュアなハダマード製品プロトコルとその導出プロトコルを通じて正確な非線形機能を実現する。
浮動小数点数上の非同期フローと少数の固定通信ラウンドによって、高い効率と精度が保証される。
論文 参考訳（メタデータ） (2025-01-09T13:19:59Z) - When Focus Enhances Utility: Target Range LDP Frequency Estimation and Unknown Item Discovery [7.746385592375338]
ローカルの差分プライバシープロトコルは、Google、Apple、Microsoftといったテクノロジー企業が現実のシナリオでうまく展開している。
本稿では,既存の多くの周波数推定プロトコルをキャプチャする一般化数平均スケッチプロトコルを提案する。
周波数推定プロトコルは、既知のデータ領域でのみ有効に動作するため、未知領域内でデータを収集するための新しいプロトコルを提案する。
論文 参考訳（メタデータ） (2024-12-23T05:50:11Z) - 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) - Enabling Privacy-preserving Model Evaluation in Federated Learning via Fully Homomorphic Encryption [1.9662978733004604]
センシティブなデータを集中化せずにモデルを協調的にトレーニングする能力によって、フェデレートラーニングが急速に普及している。
評価フェーズでは、文献で適切に対処されていない重要なプライバシーリスクが提示される。
完全同型暗号を利用した新しい評価手法を提案する。
論文 参考訳（メタデータ） (2024-03-21T14:36:55Z) - A Survey of Secure Computation Using Trusted Execution Environments [80.58996305474842]
本稿では、TEEベースのセキュアな計算プロトコルの体系的なレビューと比較を行う。
まず、セキュアな計算プロトコルを3つの主要なカテゴリ、すなわち、セキュアなアウトソース計算、セキュアな分散計算、セキュアなマルチパーティ計算に分類する分類法を提案する。
これらの基準に基づき,汎用計算関数と特殊目的計算の両方に対して,最先端のTEEベースのセキュアな計算プロトコルを検証,検討し,比較する。
論文 参考訳（メタデータ） (2023-02-23T16:33:56Z) - 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) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z)
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。