論文の概要: Bias and Variance of Post-processing in Differential Privacy
- arxiv url: http://arxiv.org/abs/2010.04327v1
- Date: Fri, 9 Oct 2020 02:12:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:07:29.465267
- Title: Bias and Variance of Post-processing in Differential Privacy
- Title（参考訳）: 差分プライバシーにおけるポストプロセッシングのバイアスとばらつき
- Authors: Keyu Zhu, Pascal Van Hentenryck, Ferdinando Fioretto
- Abstract要約: 後処理免疫は、差分プライバシーの基本的な性質である。
ポストプロセッシングはバイアスをもたらし、ばらつきを増大させるとしばしば主張される。
本稿では,後処理の特性を理解するための第一歩を踏み出す。
- 参考スコア（独自算出の注目度）: 53.29035917495491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-processing immunity is a fundamental property of differential privacy:
it enables the application of arbitrary data-independent transformations to the
results of differentially private outputs without affecting their privacy
guarantees. When query outputs must satisfy domain constraints, post-processing
can be used to project the privacy-preserving outputs onto the feasible region.
Moreover, when the feasible region is convex, a widely adopted class of
post-processing steps is also guaranteed to improve accuracy. Post-processing
has been applied successfully in many applications including census
data-release, energy systems, and mobility. However, its effects on the noise
distribution is poorly understood: It is often argued that post-processing may
introduce bias and increase variance. This paper takes a first step towards
understanding the properties of post-processing. It considers the release of
census data and examines, both theoretically and empirically, the behavior of a
widely adopted class of post-processing functions.
- Abstract（参考訳）: 処理後の免疫は差分プライバシの基本特性であり、プライバシの保証に影響を与えることなく、差分プライベート出力の結果に任意のデータ非依存変換を適用することができる。
クエリ出力がドメインの制約を満たす必要がある場合、後処理を使用してプライバシ保護出力を実行可能な領域に投影することができる。
さらに、実現可能な領域が凸である場合には、広く採用されている後処理ステップのクラスも保証され、精度が向上する。
ポストプロセッシングは国勢調査データリリース、エネルギーシステム、モビリティなど多くのアプリケーションでうまく適用されている。
しかし、そのノイズ分布への影響はよく理解されていない:ポストプロセッシングはバイアスをもたらし、ばらつきを増大させるとしばしば主張される。
本稿では,後処理の特性を理解するための第一歩を踏み出す。
国勢調査データの公開を考慮し、理論上も実証上も広く採用されているポストプロセッシング機能の振る舞いについて検討する。
関連論文リスト
- Fairness Issues and Mitigations in (Differentially Private) Socio-demographic Data Processes [43.07159967207698]
本稿では,グループレベルの推定値に不均一に影響を及ぼすサンプリング誤差について,重要な社会的関連性を調査した。
そこで本研究では,現実のサーベイ設計プロセスに基づく最適化手法を提案する。
サンプリングレートを決定するために使用されるプライバシー保護手法は、これらの公平性問題にさらに影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2024-08-16T01:13:36Z) - Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳（メタデータ） (2024-03-19T17:54:49Z) - Adaptive Differentially Quantized Subspace Perturbation (ADQSP): A Unified Framework for Privacy-Preserving Distributed Average Consensus [6.364764301218972]
本稿では適応微分量子化部分空間(ADQSP)という一般手法を提案する。
本研究では,単一の量子化パラメータを変化させることで,提案手法がSMPC型の性能とDP型性能に異なることを示す。
この結果から,従来の分散信号処理ツールを暗号保証に活用する可能性が示唆された。
論文 参考訳（メタデータ） (2023-12-13T07:52:16Z) - Evaluating the Impact of Local Differential Privacy on Utility Loss via
Influence Functions [11.504012974208466]
我々は、特定のプライバシパラメータ値がモデルのテスト損失にどのように影響するかについて、インフルエンス関数が洞察を与える能力を示す。
提案手法により,データキュレーターは,プライバシ・ユーティリティのトレードオフに最も適したプライバシパラメータを選択できる。
論文 参考訳（メタデータ） (2023-09-15T18:08:24Z) - Differentially Private Estimation of Hawkes Process [81.20710494974281]
本稿では,Hawkesプロセスの離散化表現に基づいて,イベントストリームデータに対する微分プライバシーの厳密な定義を導入する。
次に、2つの微分プライベート最適化アルゴリズムを提案する。これにより、Hawkesプロセスモデルに望ましいプライバシとユーティリティの保証を持たせることができる。
論文 参考訳（メタデータ） (2022-09-15T13:59:23Z) - Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。
差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。
それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
論文 参考訳（メタデータ） (2022-01-24T02:45:03Z) - Optimal Pre-Processing to Achieve Fairness and Its Relationship with
Total Variation Barycenter [14.497406777219112]
アウトプットを観察する確率は、人種や性別などの保護された属性に依存し、公正さを測定するために異なる影響を使用します。
その後、データの修復とも呼ばれる前処理を使用して公平性を強化します。
本研究では,データ前処理による予測モデルの成功度は,前処理前と処理後のデータの分布の総変動距離に上限があることを示した。
論文 参考訳（メタデータ） (2021-01-18T00:20:32Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z) - Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。
また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
論文 参考訳（メタデータ） (2020-08-21T18:43:37Z)
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。