論文の概要: Quantization Enables Private Dense Retrieval against Malicious Service Providers

• arxiv url: http://arxiv.org/abs/2609.36376v1
• Date: Mon, 28 Sep 2026 23:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.052317
• Title: Quantization Enables Private Dense Retrieval against Malicious Service Providers
• Title（参考訳）: 悪質なサービスプロバイダに対してプライベートなDense検索を可能にする量子化
• Abstract要約: プライバシに敏感なアプリケーションでは、サーバはクエリを観察し、エビデンスを返却する。 プライベートな高密度検索を、悪意のあるサーバに対してクエリのプライバシと検索の整合性を提供するものとして定式化し、両方の保証を提供する2ラウンドの暗号プロトコルを開発する。 以上の結果から,クリッピング量子化では,3ビット量子化は検索品質と下流の精度を保ちながら,臨床参照のサイズは1～3分程度であることがわかった。
• 参考スコア（独自算出の注目度）: 2.1839191255085995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense retrieval, the key component of Retrieval Augmented Generation (RAG), retrieves the most relevant documents by comparing dense vector representations of queries and passages from a large corpus. In privacy-sensitive applications, the server observes the query and controls which evidence is returned, creating both confidentiality and integrity risks. We formulate private dense retrieval as providing query privacy and retrieval integrity against a malicious server, and develop a two-round cryptographic protocol that provides both guarantees. Our protocol reduces private and verifiable retrieval to multiplication of a committed matrix by an encrypted vector and uses low-bit quantization to make this computation practical. We evaluate the resulting trade-off between cryptographic cost, retrieval quality, and downstream RAG accuracy across six embedding models, four language models, and corpora of up to 2.68 million passages. Our results show that, with a clipped quantizer, three-bit quantization largely preserves retrieval quality and downstream accuracy, while a private query over a corpus the size of a clinical reference requires one to three minutes of server time. These results suggest that private dense retrieval is already practical for moderately sized, privacy-sensitive corpora when minute-scale latency is acceptable.
• Abstract（参考訳）: Retrieval Augmented Generation(RAG)のキーコンポーネントであるDense Searchは、クエリとパスの密度の高いベクトル表現を大きなコーパスから比較することで、最も関連性の高いドキュメントを検索する。 プライバシに敏感なアプリケーションでは、サーバはクエリを観察し、エビデンスを返却する。 プライベートな高密度検索を、悪意のあるサーバに対してクエリのプライバシと検索の整合性を提供するものとして定式化し、両方の保証を提供する2ラウンドの暗号プロトコルを開発する。 提案プロトコルは,プライベートかつ検証可能な検索を,暗号化ベクタによるコミット行列の乗算に還元し,低ビット量子化を用いてこの計算を実用的なものにする。 6つの埋め込みモデル,4つの言語モデル,最大2.68万パスのコーパスのコーパスにおいて,暗号コスト,検索品質,下流RAG精度のトレードオフを評価した。 以上の結果から,クリッピング量子化では,3ビット量子化は検索精度とダウンストリーム精度を大きく保ち,コーパス上のプライベートクエリは1～3分間のサーバ時間を必要とすることがわかった。 これらの結果から,マイクロスケールの遅延が許容される場合,プライバシに敏感なコーパスに対して,プライベートな高密度検索が実用的であることが示唆された。

関連論文リスト

• PILLAR: Private Inverted-Index Lexical Lookup for Augmented Retrieval [6.4584274993673105]
  Retrieval-augmented Generation (RAG) は、ユーザのクエリをコーパスをホストする人に渡す。 プライベート情報検索(PIR)に基づくプライバシ保護RAG(PPRAG)システムであるPILLARを提案する。 PILLARを2つのプロトコルでインスタンス化し、検索品質とレイテンシを交換します。
  論文  参考訳（メタデータ） (2026-09-28T21:59:04Z)
• Pointing the Way, Hiding the Destination: Practical Private Dense Retrieval at Scale [19.48684574323907]
  ホストされた検索強化世代(RAG)とセマンティックサーチにより、ユーザは価値あるプロバイダが所有するコーパスをクエリできる。 既存の暗号化アプローチでは、クエリ毎にコーパス全体を処理することでコストがかかります。 このショートリストは、検索品質を犠牲にすることなく全コーパス暗号検索を行う。
  論文  参考訳（メタデータ） (2026-08-26T12:46:36Z)
• GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG [20.647970767787225]
  しきい値選択に基づくRAGのための非対話型暗号化検索フレームワークを提案する。 我々の方法では、暗号化の下で高価なトップ$ランク付けを行う代わりに、類似性のスコアが予め定義された閾値を超える文書を選択する。 その結果、スケーラブルでセキュアなRAGシステムのための実用的な基盤として、しきい値ベースの選択が強調された。
  論文  参考訳（メタデータ） (2026-07-31T04:44:24Z)
• No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval [51.43543998583709]
  SSR(Single-stage Sparse Retrieval)は、高価なクラスタリングを効率的なスパースコーディングに置き換えるパラダイムシフトである。 ColBERTv2と比較してインデックス処理時間を15倍短縮し、検索レイテンシを半減させ、同時に検索性能を向上させる。
  論文  参考訳（メタデータ） (2026-05-28T15:53:34Z)
• NeuroFilter: Privacy Guardrails for Conversational LLM Agents [50.75206727081996]
  本研究は,エージェント型大規模言語モデル(LLM)のプライバシを強制する際の計算上の課題に対処する。 NeuroFilterは、標準違反をモデルのアクティベーション空間における単純な方向にマッピングすることで、コンテキスト整合性を運用するガードレールフレームワークである。 7Bから70Bパラメータのモデルをカバーする15万以上のインタラクションに対する包括的な評価は、NeuroFilterの強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-21T05:16:50Z)
• Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption [25.87368479678027]
  RAGは高い計算コストを伴わずにLLMの応答品質を向上させる重要な技術として登場した。 従来のアーキテクチャでは、RAGサービスは、信頼できるローカル環境内でデータセットをホストする単一のエンティティによって提供される。 信頼できないサードパーティサービスへの依存は、プライバシーのリスクをもたらす。 信頼できないクラウド環境に適した効率的なプライバシ保護RAGフレームワーク(ppRAG)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T09:29:50Z)
• Private-RAG: Answering Multiple Queries with LLMs while Keeping Your Data Private [21.980739918403344]
  Retrieval-augmented Generation (RAG)は、外部コーパスからドキュメントを推論時に取得することで、大きな言語モデル(LLM)を強化する。 このコーパスが機密情報を含む場合、保護されていないRAGシステムは個人情報を漏洩するリスクがある。 本稿では、より実用的なマルチクエリ設定について検討し、2つのDP-RAGアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T21:12:32Z)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。