In this paper, we investigate the fundamental limits of the chief executive officer (CEO) problem in which physical identifiers are treated as information sources. To make the information leakage of the identifiers to the eavesdropper via helper data negligible, private keys, uniformly and independently chosen, are bonded to measurements of the identifiers at the encoders to generate the helper data. The CEO problem is renowned for the difficulty in characterizing the tight rate-distortion region, which is still an open question for the general case. In this study, we characterize the tight rate-key-distortion regions of such a problem under two specific distortion measures, namely logarithmic loss (both discrete and Gaussian settings) and quadratic distortion measures. We also provide numerical calculations of the characterized regions, and the calculated results show that when a larger distortion is permitted, smaller storage and private-key rates are achievable. For special cases where the constraints of private-key rates and negligible leakage are not imposed, our characterizations naturally reduce to the rate-distortion regions provided by Courtade and Weissman (2014) for logarithmic loss distortion, and Prabhakaran et al. (2004), Chen et al. (2004), and Oohama (2005) for quadratic distortion measure.


翻译:在本文中,我们调查了首席执行官(CEO)问题的基本局限性,即将物理识别特征作为信息来源处理。为了使通过帮助者数据向窃听器泄漏信息的信息,可忽略不计,统一和独立地选择的私人钥匙与编码器对识别特征的测量相连接,以便生成帮助者数据。首席执行官问题之所以突出,是因为很难说明紧凑的比例扭曲区域的特点,对于一般案件来说,这仍然是一个未决问题。在本研究报告中,我们根据两种具体的扭曲措施,即对数损失(离散和高斯安环境)和四面形扭曲措施,将这一问题的收费-关键扭曲区域定性为紧凑的区域。我们还对特征区域进行数字计算,计算结果显示,如果允许更大程度的扭曲,则可以实现较小的存储率和私人钥匙率。对于私人钥匙利率的限制和微不足道的渗漏等特殊情况,我们的特征自然将这一区域降为Courde和Weissman提供的比率扭曲区域,用于对数值的扭曲性损失(离散和高斯安氏设置) 和正氏度扭曲措施(Cenharma) (2005年)。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
【2022新书】高效深度学习,Efficient Deep Learning Book
专知会员服务
117+阅读 · 2022年4月21日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
14+阅读 · 2022年10月15日
Arxiv
12+阅读 · 2022年4月30日
Max-Margin Contrastive Learning
Arxiv
18+阅读 · 2021年12月21日
Arxiv
10+阅读 · 2021年2月26日
Arxiv
31+阅读 · 2020年9月21日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员