Multimodal Privacy-Preserving Entity Resolution with Fully Homomorphic Encryption
यह शोध पत्र एक नवीन मल्टीमॉडल फ्रेमवर्क प्रस्तुत करता है जो बड़े पैमाने के डेटासेट पर सुरक्षित, उच्च-सटीकता वाले एंटिटी रिज़ॉल्यूशन को सक्षम करने के लिए फुली होमोमोर्फिक एन्क्रिप्शन का उपयोग करता है, जबकि यह सुनिश्चित करता है कि मिलान प्रक्रिया के दौरान व्यक्तिगत पहचान योग्य जानकारी क्रिप्टोग्राफिक रूप से संरक्षित रहे।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, भीड़भाड़ वाली लाइब्रेरी में किसी विशिष्ट व्यक्ति को खोजने की कोशिश कर रहे हैं। आमतौर पर, उन्हें खोजने के लिए, आप उनका नाम पूछ सकते हैं, उनकी फोटो देख सकते हैं और उनका पता चेक कर सकते हैं। लेकिन यहाँ एक पेंच है: लोग अपने नाम बदलते हैं, घर बदलते हैं और उम्र के साथ अलग दिखते हैं। कभी-कभी आपके पास जो फोटो है वह पुरानी होती है, और जो नाम उन्होंने फॉर्म में लिखा है वह थोड़ा अलग हो सकता है (जैसे "Ann" के बजाय "Anne")।
यह एंटिटी रेजोल्यूशन (Entity Resolution) की समस्या है: यह पता लगाना कि एक पते पर रहने वाला "जोनाथन डियाज़" वही व्यक्ति है जो दूसरे पते पर रहने वाला "जोनाथन डियाज़" है, भले ही विवरण पूरी तरह से मेल न खाते हों।
अब, कल्पना कीजिए कि इस लाइब्रेरी का एक सख्त नियम है: आपको वास्तविक किताबों या फोटो को देखने की अनुमति नहीं है। आप केवल एक जादुई, अटूट कांच के बक्से के माध्यम से उन्हें देख सकते हैं। आप बक्से के अंदर की किताबों को खोले बिना या उनके अंदर क्या है यह देखे बिना, उन पर गणित (math) कर सकते हैं। यह उस शोध पत्र का मूल विचार है।
यहाँ एक सरल विवरण दिया गया है कि शोधकर्ताओं ने क्या किया:
1. "जादुई कांच" (फुली होमोमोर्फिक एन्क्रिप्शन - Fully Homomorphic Encryption)
शोधकर्ताओं ने फुली होमोमोर्फिक एन्क्रिप्शन (FHE) नामक एक विशेष प्रकार के गणित का उपयोग किया। इसे एक "जादुई कांच के बक्से" के रूप में समझें।
- सामान्यतः: यह जांचने के लिए कि दो लोग एक ही हैं या नहीं, एक कंप्यूटर को "बक्सा खोलना" पड़ता है, नाम और फोटो पढ़ना पड़ता है, उनकी तुलना करनी पड़ती है, और फिर बक्से को बंद करना पड़ता है। यह जोखिम भरा है क्योंकि यदि कोई हैकर घुसपैठ करता है, तो वह सभी के निजी डेटा को देख लेता है।
- उनकी विधि: वे डेटा (नाम, पता, फोटो) को कंप्यूटर द्वारा देखने से पहले ही "जादुई कांच के बक्से" (एन्क्रिप्शन) के अंदर रख देते हैं। कंप्यूटर तुलना करने वाला गणित तब तक करता है जब तक डेटा लॉक के अंदर ही रहता। कंप्यूटर वास्तविक नाम या चेहरे कभी नहीं देखता; वह केवल बिखरे हुए, एन्क्रिप्टेड नंबर देखता है। परिणाम बक्से से एक "हाँ, वे मेल खाते हैं" या "नहीं, वे मेल नहीं खाते" के रूप में बाहर आता है, लेकिन निजी विवरण पूरे समय गुप्त रहते हैं।
2. "दो-ट्रैक" जासूस (मल्टीमॉडल डेटा - Multimodal Data)
शोधकर्ताओं ने महसूस किया कि केवल एक सुराग (जैसे फोटो) पर भरोसा करना पर्याप्त नहीं है क्योंकि लोग उम्र के साथ बदलते हैं। केवल एक नाम पर भरोसा करना भी पर्याप्त नहीं है क्योंकि लोग स्पेलिंग में गलती कर सकते हैं।
- समाधान: उन्होंने एक ऐसा सिस्टम बनाया जो दो-ट्रैक साक्ष्यों वाले जासूस की तरह काम करता है:
- बायोमेट्रिक (चेहरा): व्यक्ति की एक फोटो।
- बायोग्राफिक (कहानी): व्यक्ति का नाम और पता।
- उन्होंने एक AI को प्रशिक्षित किया जो "चेहरे" और "कहानी" दोनों को एक साथ देख सके। भले ही पता थोड़ा गलत लिखा गया हो या फोटो 10 साल पुरानी हो, सिस्टम दोनों सुरागों को मिलाकर बेहतर अनुमान लगाता है।
3. "अभ्यास लाइब्रेरी" (सिंथेटिक डेटासेट - Synthetic Dataset)
इसकी जांच करने के लिए, वे वास्तविक लोगों के निजी डेटा का उपयोग नहीं कर सकते थे (यह अवैध और अनैतिक होगा)। इसलिए, उन्होंने कंप्यूटर का उपयोग करके एक विशाल, नकली लाइब्रेरी बनाई।
- उन्होंने 36,000 नकली लोग बनाए।
- उन्होंने उन्हें नकली नाम, नकली पते और नकली फोटो दिए।
- उन्होंने जानबूझकर चीजों को बिगाड़ दिया: उन्होंने नामों की स्पेलिंग बदल दी, लोगों के कई पते दिए, और फोटो को पुराना या छोटा दिखाया।
- इससे एक ऐसा "प्रशिक्षण मैदान" तैयार हुआ जहाँ उनका सिस्टम भ्रम के बावजूद लोगों को मिलाने के लिए सीख सकता था, और वह भी वास्तविक मानव डेटा को छुए बिना।
4. परिणाम: तेज़, सुरक्षित और सटीक
शोधकर्ताओं ने अपने "जादुई कांच" वाले सिस्टम का एक सामान्य सिस्टम (जहाँ कंप्यूटर वास्तविक डेटा देखता है) के विरुद्ध परीक्षण किया।
- सटीकता (Accuracy): "जादुई कांच" वाला सिस्टम सामान्य सिस्टम के बिल्कुल बराबर सटीक था। एन्क्रिप्टेड डेटा पर काम करने के कारण इसके प्रदर्शन में कोई कमी नहीं आई। वास्तव में, चेहरे और कहानी को मिलाने के कारण, यह केवल चेहरे या केवल नाम को देखने की तुलना में सही व्यक्ति को खोजने में बहुत बेहतर रहा।
- गति (Speed): "लॉक" किए गए डेटा पर गणित करना आमतौर पर बहुत धीमा होता है। हालाँकि, उन्होंने एक साथ कई गणनाएँ करने का एक तरीका खोजा (जैसे 128 जासूसों को समानांतर में काम पर लगाना)। इसने प्रक्रिया को आश्चर्यजनक रूप से तेज़ बना दिया, जिससे समय 20 सेकंड से घटकर 5 सेकंड से भी कम हो गया।
मुख्य निष्कर्ष (The Bottom Line)
यह शोध पत्र पहचान सत्यापित करने का एक नया तरीका प्रस्तुत करता है (जैसे पासपोर्ट या बैंक खातों के लिए) जो अत्यधिक सुरक्षित है। यह संगठनों को यह जांचने की अनुमति देता है कि क्या दो रिकॉर्ड एक ही व्यक्ति के हैं, बिना वास्तव में उस व्यक्ति का निजी नाम, पता या फोटो देखे। उन्होंने साबित किया कि आप डेटा को लॉक रखकर (उच्च सुरक्षा) भी गति और सटीकता से समझौता किए बिना काम कर सकते हैं।
संक्षेप में: उन्होंने पहचान सत्यापित करने का एक ऐसा सिस्टम बनाया है जो फोटो और पते के मिश्रण का उपयोग करके "यह व्यक्ति कौन है?" की पहेली को हल कर सकता है, जबकि सारा डेटा एक डिजिटल तिजोरी के अंदर बंद रहता है जिसे कोई नहीं खोल सकता।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।