論文の概要: MESS: Fast and Private Semantic Search on Multi-Graph HNSW
- arxiv url: http://arxiv.org/abs/2607.28999v2
- Date: Tue, 04 Aug 2026 05:14:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 13:15:27.407167
- Title: MESS: Fast and Private Semantic Search on Multi-Graph HNSW
- Title（参考訳）: MESS: マルチグラフHNSW上での高速かつプライベートなセマンティック検索
- Abstract要約: プライバシ,正確性,効率性の3つの特性を持つ検索システムであるMESSを紹介する。
元のベクトルをバイナリコードにマッピングし、ローカリティ・センシティブなハッシュ(LSH)とランダムな応答を適用し、多グラフ階層ナビゲート可能な小型世界(HNSW)インデックスを摂動コード上に構築する。
MESSは、最先端のベースラインよりも最大15.08タイムのレイテンシを実現する。
- 参考スコア（独自算出の注目度）: 11.990611521434944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic search systems map data to a high-dimensional vector space and support retrieval of similar data via approximate nearest neighbor search. When the system is hosted by an untrusted cloud provider, there is no privacy for the data or the query. Our goal is to design a system with three properties: privacy, accuracy, and efficiency. Existing works adopt either homomorphic encryption (HE), oblivious RAM (ORAM), or a differential privacy (DP) approach. They fall short of achieving all three properties. In this paper, we present MESS, a system that realizes our goal. It maps the original vectors into binary codes, applies locality-sensitive hashing (LSH) and randomized response, and constructs a multi-graph Hierarchical Navigable Small World (HNSW) index over the perturbed codes. MESS ensures data, query, and access pattern privacy. It also ensures search pattern privacy via a two-phase query perturbation mechanism. The multi-graph index mitigates the impact of perturbation on result quality, thereby achieving accuracy. MESS is efficient because search is performed directly over perturbed codes, without the overhead of homomorphic encryption or ORAM. We give formal analysis of the system's privacy and extensive evaluation of its performance. The results show that MESS achieves up to 15.08\times lower latency than state-of-the-art baselines.
- Abstract（参考訳）: セマンティックサーチシステムは,データを高次元ベクトル空間にマッピングし,近接する近傍サーチによる類似データの検索を支援する。
システムが信頼できないクラウドプロバイダによってホストされている場合、データやクエリのプライバシはありません。
私たちの目標は、プライバシ、正確性、効率性の3つの特性を持つシステムを設計することにあります。
既存の作業では、ホモモルフィック暗号化(HE)、オブリビラスRAM(ORAM)、あるいは差分プライバシー(DP)アプローチが採用されている。
それらは3つの特性すべてを達成するには足りません。
本稿では,我々の目標を実現するシステムであるMESSについて述べる。
元のベクトルをバイナリコードにマッピングし、ローカリティ・センシティブなハッシュ(LSH)とランダムな応答を適用し、多グラフ階層ナビゲート可能な小型世界(HNSW)インデックスを摂動コード上に構築する。
MESSはデータ、クエリ、アクセスパターンのプライバシを保証する。
また、2段階のクエリ摂動機構を通じて、検索パターンのプライバシを確保する。
マルチグラフインデックスは、摂動の影響が結果品質に与える影響を軽減し、精度を実現する。
MESSは、ホモモルフィック暗号やORAMのオーバーヘッドを伴わずに、摂動コード上で直接検索を行うため、効率的である。
システムのプライバシを形式的に分析し、その性能を広範囲に評価する。
その結果、MESSは最先端のベースラインよりも15.08倍のレイテンシを実現することがわかった。
関連論文リスト
- Atlas: Efficient Verifiable Semantic Search [42.56979915155187]
私たちはAtlasを紹介します。Atlasは、プロバイダがインデックスを公開せずに、そのコミットインデックスに対して正しく回答したことを証明できるシステムです。
その中核は、3つの技術に基づいて構築されたHNSW検索のための新しいゼロ知識証明である。
Atlasは、検証可能なグラフベースの大規模検索を初めて実証した。
論文 参考訳（メタデータ） (2026-09-10T17:30:39Z) - Achieving Text-based Person Retrieval with Any Granularity [80.69427598925718]
本稿では、任意の粒度を持つテキストベースの人物検索という新しいパラダイムを紹介する。
5段階の粒度スペクトルを定式化し,高品質な多粒度アノテートデータセットであるUFine6926-MGを構築した。
次に、クロスモーダルな多重粒度アライニングおよびマッチングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-23T08:42:25Z) - GONDOR to the Rescue: Satisficing Planning with Low Memory [80.8869960059932]
GONDORはGreedy Best-First Search(GBFS)の拡張である
GONDORは、アンカー状態のスパースセットを保持しながら周期的に探索木を圧縮し、ゴールに達するとスパース状態間の再探索によって経路を再構築する。
実験により、GONDORは標準のGBFSと比較して、低メモリ予算下でのカバレッジ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） (2026-05-27T13:20:58Z) - Differentially Private Motif-Preserving Multi-modal Hashing [9.39195684989942]
クロスモーダルハッシュは、画像とテキストをコンパクトなバイナリコードに符号化することで、効率的な検索を可能にする。
既存のプライバシ保護アプローチは、グラフ構造化データでは失敗する。
DMP-MHは、プライバシを表現学習から切り離すサニタイズThen-Distillフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T22:43:30Z) - Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。
データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。
サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。
本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
論文 参考訳（メタデータ） (2025-07-30T03:20:15Z) - Threshold-Protected Searchable Sharing: Privacy Preserving Aggregated-ANN Search for Collaborative RAG [0.0]
2つの主要なボトルネックは、プライベートデータリポジトリのローカリティ制約と、主流の検索技術との互換性を維持する必要性である。
我々は、HNSW互換のセキュアでプライバシーを保護した近接探索(SP-A$2$NN)を開発した。
また、リダクションによるプライバシ分析を取り入れた、新たなセキュリティ分析フレームワークについても検討する。
論文 参考訳（メタデータ） (2025-07-23T04:45:01Z) - VeriFuzzy: A Dynamic Verifiable Fuzzy Search Service for Encrypted Cloud Data [13.863905835870836]
暗号化クラウドデータ上で動的で検証可能なファジィ検索(DVFS)をサポートするサービスは、依然として根本的な課題である。
本稿では,3つのイノベーションを包括的に統合した新しいDVFSサービスフレームワークである textbfVeriFuzzy を提案する。
私たちのコードとデータセットは現在オープンソースで、将来のDVFS研究に刺激を与えたいと思っています。
論文 参考訳（メタデータ） (2025-07-15T02:36:30Z) - Investigating the Scalability of Approximate Sparse Retrieval Algorithms to Massive Datasets [8.1990111961557]
大規模データセット上での最先端検索アルゴリズムの挙動について検討する。
我々は,最近提案した地震探査と高密度検索に適応したグラフベースソリューションを比較し,比較した。
我々は,MsMarco-v2から138万パスのSplade埋め込みを広範囲に評価し,インデックス作成時間その他の効率および有効性について報告する。
論文 参考訳（メタデータ） (2025-01-20T17:59:21Z) - OPANAS: One-Shot Path Aggregation Network Architecture Search for Object
Detection [82.04372532783931]
近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。
本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T01:48:53Z) - Comprehensive Graph-conditional Similarity Preserving Network for
Unsupervised Cross-modal Hashing [97.44152794234405]
教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。
本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。
DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
論文 参考訳（メタデータ） (2020-12-25T07:40:59Z) - Ultra-Fast, Low-Storage, Highly Effective Coarse-grained Selection in
Retrieval-based Chatbot by Using Deep Semantic Hashing [25.803411212281443]
粗粒選択モジュールには、疎表現と密表現の2つのアプローチがあります。
広範な実験の結果、密度表現法はスパース表現を大きく上回ることが示された。
DSHCモデルと呼ばれる超高速,低ストレージ,高効率なディープセマンティックハッシュ粗粒度選択法を提案する。
提案するDSHCモデルでは,疎表現よりも高速かつ低ストレージ化が可能であり,高密度表現に比べて性能損失が小さい。
論文 参考訳（メタデータ） (2020-12-17T14:54:59Z) - A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。
本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。
このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
論文 参考訳（メタデータ） (2020-06-16T17:47:48Z)
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。