論文の概要: Connecting Robust Shuffle Privacy and Pan-Privacy
- arxiv url: http://arxiv.org/abs/2004.09481v4
- Date: Wed, 12 Aug 2020 03:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 19:12:55.177138
- Title: Connecting Robust Shuffle Privacy and Pan-Privacy
- Title（参考訳）: ロバストなシャッフルプライバシーとパンプライバシーを結びつける
- Authors: Victor Balcer, Albert Cheu, Matthew Joseph, and Jieming Mao
- Abstract要約: 差分プライバシのEmphshuffleモデルでは、データ保持ユーザはセキュアなシャフラーにランダム化されたメッセージを送信し、シャフラーはメッセージを置換する。
Emphpan-privateモデルでは、アルゴリズムがストリームデータに関して異なるプライベートな内部状態を維持しながら、データのストリームを処理する。
弊社の結果は、プライバシー保証が悪意のあるユーザの影響を大きく受けていないプライベートプロトコルを不当にシャッフルすることに焦点を当てている。
- 参考スコア（独自算出の注目度）: 11.367579037903734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the \emph{shuffle model} of differential privacy, data-holding users send
randomized messages to a secure shuffler, the shuffler permutes the messages,
and the resulting collection of messages must be differentially private with
regard to user data. In the \emph{pan-private} model, an algorithm processes a
stream of data while maintaining an internal state that is differentially
private with regard to the stream data. We give evidence connecting these two
apparently different models.
Our results focus on \emph{robustly} shuffle private protocols, whose privacy
guarantees are not greatly affected by malicious users. First, we give robustly
shuffle private protocols and upper bounds for counting distinct elements and
uniformity testing. Second, we use pan-private lower bounds to prove robustly
shuffle private lower bounds for both problems. Focusing on the dependence on
the domain size $k$, we find that robust approximate shuffle privacy and
approximate pan-privacy have additive error $\Theta(\sqrt{k})$ for counting
distinct elements. For uniformity testing, we give a robust approximate shuffle
private protocol with sample complexity $\tilde O(k^{2/3})$ and show that an
$\Omega(k^{2/3})$ dependence is necessary for any robust pure shuffle private
tester. Finally, we show that this connection is useful in both directions: we
give a pan-private adaptation of recent work on shuffle private histograms and
use it to recover further separations between pan-privacy and interactive local
privacy.
- Abstract（参考訳）: 差分プライバシの‘emph{shuffle model’では、データ保持ユーザはセキュアなシャフラーにランダム化されたメッセージを送信し、シャフラーはメッセージを置換し、その結果のメッセージの集合はユーザデータに関して微分プライベートでなければならない。
emph{pan-private}モデルでは、アルゴリズムはストリームデータに関して差分プライベートな内部状態を維持しながら、データのストリームを処理する。
これら2つのモデルをつなぐ証拠を与えます。
弊社の結果は、プライバシー保証が悪意のあるユーザの影響を大きく受けていないプライベートプロトコルのシャッフルに焦点が当てられている。
まず、異なる要素を数えるための厳密なシャッフルなプライベートプロトコルと上限を与え、一様性テストを行う。
第二に、両問題に対するプライベートなローバウンドを頑健にシャッフルすることを示すために、パンプライベートなローバウンドを用いる。
ドメインサイズへの依存に着目すると、堅牢なシャッフルプライバシと近似パンプライバシーは、異なる要素を数えるための加算誤差$\theta(\sqrt{k})$を持つことが分かる。
均一性テストでは、サンプル複雑性$\tilde O(k^{2/3})$でロバストな近似シャッフルプライベートプロトコルを提供し、ロバストな純粋なシャッフルプライベートテスターには$\Omega(k^{2/3})$依存が必要であることを示す。
最後に、この接続は両方の方向において有用であることを示す: シャッフルプライベートヒストグラムに関する最近の研究をパンプライベートに適応させ、パンプライベートとインタラクティブなローカルプライバシの間のさらなる分離を回復するためにそれを利用する。
関連論文リスト
- Enhanced Privacy Bound for Shuffle Model with Personalized Privacy [32.08637708405314]
Differential Privacy(DP)は、ローカルユーザと中央データキュレーターの間の中間信頼サーバを導入する、強化されたプライバシプロトコルである。
これは、局所的にランダム化されたデータを匿名化しシャッフルすることで、中央のDP保証を著しく増幅する。
この研究は、各ユーザーごとにパーソナライズされたローカルプライバシを必要とする、より実践的な設定のために、中央のプライバシ境界を導出することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-25T16:11:56Z) - A Generalized Shuffle Framework for Privacy Amplification: Strengthening Privacy Guarantees and Enhancing Utility [4.7712438974100255]
パーソナライズされたプライバシパラメータで$(epsilon_i,delta_i)$-PLDP設定をシャッフルする方法を示す。
shuffled $(epsilon_i,delta_i)$-PLDP process approximately saves $mu$-Gaussian Differential Privacy with mu = sqrtfrac2sum_i=1n frac1-delta_i1+eepsilon_i-max_ifrac1-delta_i1+e
論文 参考訳（メタデータ） (2023-12-22T02:31:46Z) - Differentially Private Aggregation via Imperfect Shuffling [64.19885806149958]
本稿では,メッセージがほぼ均一にシャッフルされる不完全なシャッフル差分プライバシモデルを導入し,キュレーターによるプライベートアグリゲーションの検証を行った。
驚くべきことに、不完全なシャッフルモデルには追加のエラーオーバーヘッドは必要ない。
論文 参考訳（メタデータ） (2023-08-28T17:34:52Z) - Privacy Amplification via Shuffling: Unified, Simplified, and Tightened [20.10078781197001]
シングルメッセージとマルチメッセージのシャッフルプロトコルの両方において、プライバシーを増幅するための包括的なフレームワークを提案する。
我々の理論的な結果は、特に極端確率設計を持つ局所確率化器に対して、我々のフレームワークがより厳密な境界を提供することを示している。
私たちのバウンダリは、非常に効率的な$tildeO(n)$アルゴリズムで、$n=108$ユーザに対して10$秒未満で、数値的にプライバシを増幅します。
論文 参考訳（メタデータ） (2023-04-11T06:27:25Z) - Concurrent Shuffle Differential Privacy Under Continual Observation [60.127179363119936]
個人的連続和問題(対数問題)について検討する。
並列シャッフルモデルでは,標準シャッフルモデルに比べて誤差が大幅に改善できることが示されている。
論文 参考訳（メタデータ） (2023-01-29T20:42:54Z) - Smooth Anonymity for Sparse Graphs [69.1048938123063]
しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。
本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-07-13T17:09:25Z) - Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。
ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。
これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
論文 参考訳（メタデータ） (2022-06-06T13:49:37Z) - Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。
プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。
以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文 参考訳（メタデータ） (2021-12-11T15:23:28Z) - Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy
Amplification by Shuffling [49.43288037509783]
ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。
私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
論文 参考訳（メタデータ） (2020-12-23T17:07:26Z)
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。