In this paper, we investigate the fundamental limits of the chief executive officer (CEO) problem in which physical and biometric identifiers are treated as information sources. In order to make the information leakage of the identifiers to the eavesdropper via helper data negligible, private keys, uniformly and independently chosen, are bonded into measurements of the identifiers at the encoders to generate the helper data. The CEO problem is renowned for the difficulty of 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 problem under two specific distortion measures, namely, logarithmic loss (both discrete and Gaussian settings) and quadratic distortion measures. Also, we 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. As 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)问题的根本局限性,即将物理和生物鉴别特征作为信息来源处理;为了通过帮助者数据可忽略不计,统一和独立选择的私人钥匙将识别特征的信息渗漏到窃听器的信息中,将统一和独立选择的私人钥匙捆绑在编码器识别特征的测量中,以生成帮助者数据;首席执行官问题因难以确定紧凑的比例扭曲区域的特点而闻名,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,即对数值损失(离散和高斯安环境)和二次扭曲措施,将这类问题集中到窃听器窃听器的信息中;此外,我们提供特征区域的数字计算,计算结果显示,如果允许更大程度的扭曲,储存和私人钥匙率的制约和微量的渗漏,作为特殊情况,我们的特征自然减少至Courde和Weissman提供的率扭曲区域(离散和高斯安两个环境环境)和二次扭曲措施的扭曲措施,用于对正沙拉马和正卡兰的扭曲和卡萨利的测量和地震的扭曲。

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
专知会员服务
159+阅读 · 2020年1月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12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
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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 · 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
1+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年3月20日
VIP会员
相关VIP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
专知会员服务
159+阅读 · 2020年1月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12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
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
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
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
相关基金
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 · 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
1+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员