論文の概要: Quantum Secure Non-Interactive Reductions
- arxiv url: http://arxiv.org/abs/2609.38452v1
- Date: Tue, 29 Sep 2026 19:44:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.65962
- Title: Quantum Secure Non-Interactive Reductions
- Title（参考訳）: 量子安全な非相互作用還元
- Abstract要約: 我々はQSNIR(quantum secure non-interactive reductions)を導入する。
筆者らのフレームワークは, 絡み合いから個人相関を拡散する問題を解析することを可能にする。
我々はQSNIRのプライバシーが、最小限のエラー状態の差別に関連する決定問題によって低い境界にあることを証明した。
- 参考スコア（独自算出の注目度）: 5.722288093279744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient models for secure computation often rely on offline preprocessed correlations, which subsequently enable private online computation from minimal assumptions. Within these models, the study of secure non-interactive reductions (SNIR) formalizes when one classical correlation can be non-interactively transformed into another, while guaranteeing information-theoretic simulation-based privacy. In this work, we introduce quantum secure non-interactive reductions (QSNIR), a natural extension of SNIR, in which the source and target resource are each a bipartite quantum state. Specifically, when the target resource is classical, our framework enables us to analyze the problem of disseminating private correlations from entanglement, in addition to classical resources. Our primary technical result is that QSNIR privacy in this context can be computed exactly via a semidefinite program (SDP) pair that quantifies an error operationally rooted in a simulation-based cheating advantage. We prove that QSNIR privacy is lower-bounded by a decision problem related to minimum-error state discrimination (MED), and use both definitions to compute exact one-shot privacy errors for universal two-party computation (2PC) preprocessing correlations.
- Abstract（参考訳）: セキュアな計算のための効率的なモデルは、しばしばオフラインで事前処理された相関に依存し、最小限の仮定からプライベートなオンライン計算を可能にする。
これらのモデルの中で、SNIR(Secure Non-interactive reductions)の研究は、情報理論のシミュレーションに基づくプライバシを保証しながら、1つの古典的相関が別の古典的相関に非インタラクティブに変換できることを定式化する。
本研究では,SNIRの自然拡張であるQSNIR(quantum secure non-interactive reductions)を導入する。
具体的には,対象資源が古典的であれば,従来の資源に加えて,私的相関関係を絡み合いから拡散する問題を解析することができる。
我々の主要な技術的結果は、この文脈におけるQSNIRのプライバシは、シミュレーションベースの不正行為の利点に根ざしたエラーを定量化する半定プログラム(SDP)ペアによって正確に計算できるということである。
我々は,QSNIRのプライバシが,最小エラー状態判別(MED)に関連する決定問題によって低い境界にあることを証明する。
関連論文リスト
- Privacy-Preserving Decentralized Cooperative Localization with Range-Only Measurements: A Convex Optimization Based Approach [12.542964150821321]
従来の協調的なアプローチでは、ネットワーク全体で明示的な空間座標を共有する必要がある。
本稿では,凸最適化に基づくプライバシ保護型分散協調型ローカライゼーションフレームワークを提案する。
当社のフレームワークは,運用上のプライバシを保証し,高度にスケーラブルで並列化可能な計算を維持しつつ,既存のSDPベースのローカライゼーション手法を精度良く実現している。
論文 参考訳（メタデータ） (2026-06-29T00:39:51Z) - Optimizing Entanglement Distribution Protocols: Maximizing Classical Information in Quantum Networks [5.621690515150937]
大規模量子ネットワークを実現する上で,効率的な絡み合い分布は基礎的な課題である。
本稿では,4つの重要な展開を導入することで,絡み合い分布問題に対処する。
まず、量子通信の第一の応用がプライベート情報の伝達であることを認識し、エンサンブル容量(EC)を導出する。
論文 参考訳（メタデータ） (2026-03-26T12:08:13Z) - Keeping a Secret Requires a Good Memory: Space Lower-Bounds for Private Algorithms [67.94856074923571]
本稿では,マルチプレイヤー通信ゲームに基づく新しい証明手法を提案する。
本稿では,このコミュニケーションゲームに勝つためには,過剰なユーザ数に比例した情報伝達が必要であることを示す。
このコミュニケーション理論の手法は幅広い問題のクラスに一般化し、プライベートな中央値、量子化値、最大選択値の下位境界を導出することを示す。
論文 参考訳（メタデータ） (2026-02-12T17:49:07Z) - Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。
微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。
これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
論文 参考訳（メタデータ） (2025-02-13T02:05:45Z) - Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。
CEPAMは通信効率とプライバシー保護を同時に達成する。
我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
論文 参考訳（メタデータ） (2025-01-21T11:16:05Z) - Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。
既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。
本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
論文 参考訳（メタデータ） (2023-11-04T04:43:47Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。
本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。
その独特な洞察力のある性質とその分析も提示される。
論文 参考訳（メタデータ） (2023-10-30T14:15:47Z) - Differentially Private Linear Regression with Linked Data [3.9325957466009203]
コンピュータ科学の数学的概念である差分プライバシーは、堅牢なプライバシー保証を提供する上昇するツールである。
最近の研究は、個々の統計および機械学習タスクの微分プライベートバージョンの開発に焦点を当てている。
相関データを用いた線形回帰のための2つの微分プライベートアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-01T21:00:19Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。
他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。
ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
論文 参考訳（メタデータ） (2022-07-01T17:58:29Z)
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。