論文の概要: Confidential Error-Correcting Codes

• arxiv url: http://arxiv.org/abs/2610.16087v1
• Date: Mon, 12 Oct 2026 02:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:44:35.478752
• Title: Confidential Error-Correcting Codes
• Title（参考訳）: 秘密の誤り訂正符号
• Abstract要約: 我々は、乱れたコードワードから信頼できる復号を可能にする新しい暗号プリミティブを導入する。 このプリミティブを3つのセキュリティ特性 – 機密性,堅牢性,健全性 – を通じて形式化する。 CECの第一用途として,AI生成画像の透かし方式であるCECMarkを提案する。
• 参考スコア（独自算出の注目度）: 13.453725373337297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Confidential Error-correcting Codes (CECs), a new cryptographic primitive that enables reliable decoding from perturbed codewords while preserving message confidentiality. We formalize this primitive through three security properties: confidentiality, robustness, and soundness. To realize this goal, we develop a general framework for constructing CECs based on a Randomness-Security Separation (RSS) structure, which first encodes a nonce to introduce randomness and then masks the encoded payload with a pseudorandom function. Based on our RSS framework, we instantiate CECs, called Conc-CEC, using concatenated Reed-Muller and Reed-Solomon codes. The resulting Conc-CEC admits provable guarantees for all three properties. Notably, compared to PRCs (CRYPTO'24), another recent cryptographic primitive with error-correcting capability, CECs achieve significantly stronger concrete security guarantees under practical parameter settings. As a primary application of CECs, we further present CECMark, a watermarking scheme for AI-generated images. Our experiments on real-world generative image models show that CECMark consistently outperforms state-of-the-art watermarking methods, including Gaussian Shading (CVPR'24), PRCMark (ICLR'25), and T2SMark (NeurIPS'25). In particular, CECMark achieves higher robustness across all 56 evaluated perturbations and ensures a false positive rate below $10^{-5}$ without introducing side effects. Taken together, our work lays a novel cryptographic foundation for trustworthy watermarking schemes that, for the first time, unify provable security guarantees with strong practical reliability.
• Abstract（参考訳）: 我々は、メッセージの機密性を保ちながら、乱れたコードワードから信頼できる復号を可能にする新しい暗号プリミティブであるConfidential Error-correcting Codes (CECs)を紹介する。 このプリミティブを3つのセキュリティ特性 – 機密性,堅牢性,健全性 – を通じて形式化する。 この目的を達成するために、ランダム性分離(RSS)構造に基づいてCECを構築するための一般的なフレームワークを開発し、まずランダム性を導入するためのナンスを符号化し、次に擬似ランダム関数で符号化されたペイロードをマスクする。 RSSフレームワークに基づいて、コンカレントリード・ミュラーとリード・ソロモンのコードを用いてCEC(Conc-CEC)をインスタンス化する。 結果として得られたConc-CECは、3つのプロパティすべてに対して証明可能な保証を認めている。 特に、エラー訂正機能を備えた最近の暗号プリミティブであるPRC(CRYPTO'24)と比較して、CECは実用的なパラメータ設定の下で、より強力な具体的なセキュリティ保証を達成する。 CECの第一の応用として、AI生成画像の透かし方式であるCECMarkを紹介する。 実世界の生成画像モデルを用いた実験により、CECMarkはガウスシェーディング(CVPR'24)、RCMark(ICLR'25)、T2SMark(NeurIPS'25)など、最先端の透かし手法を一貫して上回っていることがわかった。 特に、CECMarkは56個の評価された摂動に対して高い堅牢性を実現し、副作用を導入することなく10^{-5}$以下の偽陽性率を保証する。 私たちの研究は、信頼できる透かし方式のための新しい暗号基盤を築き、証明可能なセキュリティ保証を信頼性の高いものに初めて統一しました。

関連論文リスト

• SEEK: Agentic Knowledge Graph Retrieval for Secure Code Generation [52.549964800555124]
  大きな言語モデル(LLM)は、悪用可能なセキュリティ脆弱性を導入しながら、機能的に正しいコードを生成することができる。 本稿では,セキュリティ知識グラフを構成するセキュアコード生成のためのエージェントグラフRAGフレームワークであるSEEKを提案する。 我々は、C、C++、PythonにまたがるCodeGuard+とCyberSecEvalの配布外設定でSEEKを評価した。
  論文  参考訳（メタデータ） (2026-10-10T14:37:22Z)
• Generate What You Can Trust: Content Credibility in Generative Recommenders [13.477367964959676]
  GRの2つのコアステージ(トークン化と生成)にまたがるコンテントの信頼性に対処する最初の信頼性GRモデルであるCreGRを提案する。 トークン化段階では,信頼できない項目に対する識別トークンの学習をモデルに明示的に促す新しい信頼性対応トークン化器を設計する。 生成段階では,離散拡散に基づく新しい精度保存・信頼性指向ジェネレータを提案する。
  論文  参考訳（メタデータ） (2026-10-05T01:33:29Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• Latent-Mark: An Audio Watermark Robust to Neural Resynthesis [62.09761127079914]
  Latent-Markはセマンティック圧縮に耐えられるように設計された最初のゼロビットオーディオ透かしフレームワークである。 私たちの重要な洞察は、エンコード-デコードプロセスに対する堅牢性は、不変の潜在空間に透かしを埋め込む必要があるということです。 我々の研究は、ますます複雑で多様な生成歪みをまたいで整合性を維持することができる普遍的な透かしフレームワークに、将来の研究をインスピレーションを与えます。
  論文  参考訳（メタデータ） (2026-03-05T15:51:09Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• Cryptanalysis of Pseudorandom Error-Correcting Codes [18.428958486065966]
  Pseudorandom error-correcting codes (PRC) の最初の暗号解析について述べる。 PRCは、AI生成コンテンツを透かし出すための有望な基礎コンポーネントとして認識されている。 PRCの非検出性とロバスト性仮定に挑戦する3つの攻撃を提案する。
  論文  参考訳（メタデータ） (2025-12-19T07:48:04Z)
• RESCUE: Retrieval Augmented Secure Code Generation [5.001448044530164]
  2つの重要な革新を伴うセキュアなコード生成のための新しいフレームワークであるRESCUEを提案する。 まず, LLMを用いたクラスタ列化蒸留とプログラムスライシングを組み合わせたハイブリッド知識ベース構築法を提案する。 第2に,構築した知識ベースを上から下へトラバースする階層的多面検索を設計し,階層レベルで複数のセキュリティクリティカルな事実を統合する。
  論文  参考訳（メタデータ） (2025-10-21T01:13:03Z)
• Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning [58.57194301645823]
  大規模言語モデル(LLM)は、現実のパーソナライズされたアプリケーションにますます統合されている。 RAGで使用される知識基盤の貴重かつしばしばプロプライエタリな性質は、敵による不正使用のリスクをもたらす。 これらの知識基盤を保護するための透かし技術として一般化できる既存の方法は、一般的に毒やバックドア攻撃を含む。 我々は、無害な」知識基盤の著作権保護の名称を提案する。
  論文  参考訳（メタデータ） (2025-02-10T09:15:56Z)
• Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。 従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
  論文  参考訳（メタデータ） (2024-09-05T14:22:02Z)

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。