論文の概要: SafeStats: Efficient 2PC Protocols for Data Statistic-Related Functions
- arxiv url: http://arxiv.org/abs/2607.25430v1
- Date: Tue, 28 Jul 2026 08:25:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.759119
- Title: SafeStats: Efficient 2PC Protocols for Data Statistic-Related Functions
- Title（参考訳）: SafeStats: データ統計関連関数のための効率的な2PCプロトコル
- Abstract要約: 2PC安全な統計解析に適したセキュアなツールキットであるSafeStatsを提案する。
まず、Microsoft Excelの統計ライブラリを参照し、ほとんどの統計処理は3つのコア関数で実現できると要約する。
安全な周波数カウントのためにSafeStatsは、高価な2PC平等テストプロトコルの呼び出しを避けるために、安全なシフトベースの戦略を採用している。
セキュアなソートでは、SafeStatsはセキュアなセグメントインジケータプロトコルを使用して、セキュアなカウントベースのソートを実現する。
- 参考スコア（独自算出の注目度）: 11.81417308962692
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Statistical analysis on sensitive datasets like medical records and financial transactions is essential for decision-making, but raises significant privacy concerns. While existing secure Two-Party Computation (2PC) makes extensive efforts in designing the common secure primitives (e.g., addition and multiplication) or machine learning-related functions, few pay attention to the statistical functions. In this paper, we propose SafeStats, a secure toolkit tailored for 2PC secure statistical analysis. Specifically, to develop SafeStats, we first refer to Microsoft Excel's statistical library and summarize that most statistical operations can be achieved with three core functions:1) frequency counting, 2) sorting, and 3) non-linear math functions. Then, for each core statistical function, SafeStats presents an efficient 2PC implementation. For secure frequency counting, SafeStats adopts a secure shift-based strategy to avoid invoking expensive 2PC equality test protocols. For secure sort, SafeStats involves a secure segment-indicator protocol to achieve secure counting-based sort, which enables fast element sorting over specific statistical scenarios without the need for secure comparison. For non-linear math functions, we enhance the current reduce-then-approximate paradigm by introducing a bisection-based range reduction protocol. Finally, we implement SafeStats and test it on 14 common statistical analysis cases. As an example, for the chi-square test, SafeStats achieves a 1.5 $\times$ runtime speedup and a 4.2 $\times$ reduction in communication compared to directly using the current general-purpose 2PC library to realize it.
- Abstract（参考訳）: 医療記録や金融取引のようなセンシティブなデータセットに関する統計分析は意思決定に不可欠だが、プライバシー上の懸念を生じさせる。
既存のSecure Two-Party Computation (2PC)は、共通のセキュアプリミティブ(例えば、加算と乗算)や機械学習関連の機能の設計に多大な努力を払っているが、統計関数に注意を払っていない。
本稿では,2PCのセキュアな統計解析に適したセキュアなツールキットであるSafeStatsを提案する。
具体的には、SafeStatsを開発するために、まずMicrosoft Excelの統計ライブラリを参照し、ほとんどの統計処理は3つのコア関数で実現できると要約する。
2)ソート,および
3)非線形数学関数。
そして、各コア統計関数に対して、SafeStatsは効率的な2PC実装を示す。
安全な周波数カウントのためにSafeStatsは、高価な2PC平等テストプロトコルの呼び出しを避けるために、安全なシフトベースの戦略を採用している。
セキュアなソートのために、SafeStatsはセキュアなセグメントインジケータプロトコルを使用して、セキュアなカウントベースのソートを実現している。
非線型数学関数に対しては,2分割型範囲削減プロトコルを導入することにより,現在の還元近似パラダイムを強化する。
最後に、SafeStatsを実装し、14の一般的な統計分析ケースでそれをテストする。
例えば、Chi-squareテストでは、SafeStatsは1.5$\times$ランタイムの高速化と4.2$\times$通信の削減を実現している。
関連論文リスト
- Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data [76.32349627923843]
空間データに対する効率的な分散統計解析は、リアルタイムなモバイルコンピューティングアプリケーションにとって不可欠である。
既存のプライバシー保護技術は、過度のオーバーヘッドや不正確さをもたらすことが多い。
本稿では,移動空間データに対する効率的かつプライバシ保護型分布統計解析を支援する最初のシステムの設計,実装,評価を行う。
論文 参考訳（メタデータ） (2026-05-25T12:37:27Z) - Learning U-Statistics with Active Inference [15.497759423156642]
固定されたラベル付け予算の下で評価効率を向上させるために,情報ラベルを問合せする$U$統計のためのアクティブな推論フレームワークを開発する。
我々のアプローチは、サンプリングルールと機械学習予測を組み込むために設計された、U$-statisticの強化逆確率重み付けに基づいて構築されている。
論文 参考訳（メタデータ） (2026-05-12T06:59:36Z) - Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。
本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。
本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
論文 参考訳（メタデータ） (2026-02-13T14:57:15Z) - On computing and the complexity of computing higher-order $U$-statistics, exactly [30.842935323383816]
高次の$U$-statisticsは統計学、機械学習、コンピュータサイエンスなどの分野に多い。
広く見られるにもかかわらず、その計算複雑性に関する包括的な研究は驚くほど不足している。
論文 参考訳（メタデータ） (2025-08-18T05:01:10Z) - PP-STAT: An Efficient Privacy-Preserving Statistical Analysis Framework using Homomorphic Encryption [1.9403201756106894]
PP-STATは、プライバシー保護統計分析のための同型暗号化ベースのフレームワークである。
PP-STATはZスコア正規化、歪度、曲率、変動係数、ピアソン相関係数などの高度な統計測度をサポートし、すべて暗号化データ上で安全に計算される。
実世界のデータセットを評価した結果,PP-STATは平均相対誤差(MRE)が2.4x10-4以下であることがわかった。
論文 参考訳（メタデータ） (2025-08-16T16:24:35Z) - SafeTuneBed: A Toolkit for Benchmarking LLM Safety Alignment in Fine-Tuning [6.740032154591022]
ベンチマークとツールキットであるSafeTuneBedを導入し、微調整と防御の評価を統一する。
SafeTuneBedは、感情分析、質問回答、マルチステップ推論、オープンな命令タスクにまたがる、複数の微調整データセットの多様なリポジトリをキュレートする。
これは、アライメントステージの免疫、訓練中の安全ガード、訓練後の修復など、最先端の防衛の統合を可能にする。
論文 参考訳（メタデータ） (2025-05-31T19:00:58Z) - 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) - Stability for Inference with Persistent Homology Rank Functions [0.0]
我々は統計学と機械学習のツールとして、永続的ホモロジーランク関数を再考する。
階数関数によって捕捉される永続的ホモロジーの使用は、既存の非永続的アプローチよりも明らかな改善をもたらす。
論文 参考訳（メタデータ） (2023-07-06T10:34:52Z) - 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) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳（メタデータ） (2021-11-12T06:36:40Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-01T17:47:03Z)
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。