論文の概要: Individual Privacy Accounting via a Renyi Filter
- arxiv url: http://arxiv.org/abs/2008.11193v4
- Date: Sat, 8 Jan 2022 21:35:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 03:25:25.967716
- Title: Individual Privacy Accounting via a Renyi Filter
- Title（参考訳）: Renyiフィルタによる個人プライバシ会計
- Authors: Vitaly Feldman and Tijana Zrnic
- Abstract要約: 個人ごとのパーソナライズされたプライバシ損失推定値に基づいて、より厳格なプライバシ損失会計を行う方法を提案する。
我々のフィルターは、Rogersらによる$(epsilon,delta)$-differential privacyの既知のフィルタよりもシンプルできつい。
- 参考スコア（独自算出の注目度）: 33.65665839496798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a sequential setting in which a single dataset of individuals is
used to perform adaptively-chosen analyses, while ensuring that the
differential privacy loss of each participant does not exceed a pre-specified
privacy budget. The standard approach to this problem relies on bounding a
worst-case estimate of the privacy loss over all individuals and all possible
values of their data, for every single analysis. Yet, in many scenarios this
approach is overly conservative, especially for "typical" data points which
incur little privacy loss by participation in most of the analyses. In this
work, we give a method for tighter privacy loss accounting based on the value
of a personalized privacy loss estimate for each individual in each analysis.
To implement the accounting method we design a filter for R\'enyi differential
privacy. A filter is a tool that ensures that the privacy parameter of a
composed sequence of algorithms with adaptively-chosen privacy parameters does
not exceed a pre-specified budget. Our filter is simpler and tighter than the
known filter for $(\epsilon,\delta)$-differential privacy by Rogers et al. We
apply our results to the analysis of noisy gradient descent and show that
personalized accounting can be practical, easy to implement, and can only make
the privacy-utility tradeoff tighter.
- Abstract（参考訳）: 各参加者の差動的プライバシー損失が予め定められたプライバシー予算を超えないことを保証しつつ、適応的にチョンセン分析を行うために個々のデータセットを使用するシーケンシャルな設定を考える。
この問題に対する標準的なアプローチは、すべての個人に対する最悪のケースでのプライバシー損失と、すべての分析において可能なすべての値のバウンダリングに依存する。
しかし、多くのシナリオにおいて、このアプローチは非常に保守的であり、特に分析に参加することでプライバシーの損失をほとんど生まない「典型的な」データポイントについてである。
本稿では、各分析における個人毎のパーソナライズされたプライバシー損失推定値に基づいて、より厳密なプライバシー損失会計を行う方法を提案する。
会計手法を実装するために、R\'enyi差分プライバシーのためのフィルタを設計する。
フィルタは、最適化されたプライバシーパラメータを持つ一連のアルゴリズムのプライバシパラメータが、事前に定められた予算を超えないことを保証するツールである。
我々のフィルターは、rogersらによる$(\epsilon,\delta)$差分プライバシーのための既知のフィルターよりもシンプルでタイトです。
本研究は,ノイズ勾配勾配解析に応用し,パーソナライズされた会計は実用的で実装が容易であり,プライバシ・ユーティリティ・トレードオフをより厳密なものにできることを示す。
関連論文リスト
- Mean Estimation Under Heterogeneous Privacy Demands [5.755004576310333]
本研究は,各ユーザが自身のプライバシレベルを設定できる平均推定の問題について考察する。
提案するアルゴリズムは,ミニマックス最適であり,ほぼ直線的な実行時間を有することを示す。
プライバシー要件が低いが異なるユーザは、すべて同じ金額で、必要以上のプライバシーを与えられる。
論文 参考訳（メタデータ） (2023-10-19T20:29:19Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - Individual Privacy Accounting with Gaussian Differential Privacy [8.81666701090743]
個別のプライバシ会計は、分析に関わる各関係者に対して、差分プライバシー(DP)の損失を個別に制限することを可能にする。
個人のプライバシー損失を原則的に説明するためには、ランダム化機構の適応的な構成のためのプライバシー会計士が必要である。
論文 参考訳（メタデータ） (2022-09-30T17:19:40Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳（メタデータ） (2022-09-08T22:43:50Z) - 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) - Fully Adaptive Composition in Differential Privacy [53.01656650117495]
よく知られた高度な合成定理は、基本的なプライバシー構成が許すよりも、プライベートデータベースを2倍にクエリすることができる。
アルゴリズムとプライバシパラメータの両方を適応的に選択できる完全適応型合成を導入する。
適応的に選択されたプライバシパラメータが許されているにもかかわらず、定数を含む高度なコンポジションのレートに適合するフィルタを構築します。
論文 参考訳（メタデータ） (2022-03-10T17:03:12Z) - Privately Publishable Per-instance Privacy [21.775752827149383]
客観的摂動によるパーソナライズドプライバシの損失を,pDP(Per-instance differential privacy)を用いてプライベートに共有する方法を検討する。
客観的な摂動によって学習したプライベートな経験的リスク最小化器をリリースする際のインスタンスごとのプライバシ損失を解析し、プライバシコストをほとんど必要とせず、個人的かつ正確にPDP損失を公表するための一連の方法を提案する。
論文 参考訳（メタデータ） (2021-11-03T15:17:29Z) - Learning with User-Level Privacy [61.62978104304273]
ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。
個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。
プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
論文 参考訳（メタデータ） (2021-02-23T18:25:13Z) - Bounding, Concentrating, and Truncating: Unifying Privacy Loss
Composition for Data Analytics [2.614355818010333]
アナリストが純粋なDP、境界範囲(指数的なメカニズムなど)、集中的なDPメカニズムを任意の順序で選択できる場合、強いプライバシー損失バウンダリを提供する。
また、アナリストが純粋なDPと境界範囲のメカニズムをバッチで選択できる場合に適用される最適なプライバシー損失境界を提供する。
論文 参考訳（メタデータ） (2020-04-15T17:33:10Z)
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。