論文の概要: Locality Sensitive Hashing with Extended Differential Privacy
- arxiv url: http://arxiv.org/abs/2010.09393v5
- Date: Thu, 12 Aug 2021 10:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:30:51.655330
- Title: Locality Sensitive Hashing with Extended Differential Privacy
- Title(参考訳): 差分プライバシーを拡張した局所感性ハッシュ
- Authors: Natasha Fernandes, Yusuke Kawamoto, Takao Murakami
- Abstract要約: 拡張差分プライバシーは、一般的な計量を用いた標準差分プライバシーの一般化である。
拡張DPに関する既存の研究は、ユークリッド計量のようないくつかの指標に限られている。
角距離が拡張されたDPを提供する2つのメカニズムを提案する。
- 参考スコア(独自算出の注目度): 4.328040096675791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extended differential privacy, a generalization of standard differential
privacy (DP) using a general metric, has been widely studied to provide
rigorous privacy guarantees while keeping high utility. However, existing works
on extended DP are limited to few metrics, such as the Euclidean metric.
Consequently, they have only a small number of applications, such as
location-based services and document processing. In this paper, we propose a
couple of mechanisms providing extended DP with a different metric: angular
distance (or cosine distance). Our mechanisms are based on locality sensitive
hashing (LSH), which can be applied to the angular distance and work well for
personal data in a high-dimensional space. We theoretically analyze the privacy
properties of our mechanisms, and prove extended DP for input data by taking
into account that LSH preserves the original metric only approximately. We
apply our mechanisms to friend matching based on high-dimensional personal data
with angular distance in the local model, and evaluate our mechanisms using two
real datasets. We show that LDP requires a very large privacy budget and that
RAPPOR does not work in this application. Then we show that our mechanisms
enable friend matching with high utility and rigorous privacy guarantees based
on extended DP.
- Abstract(参考訳): 一般測度を用いた標準微分プライバシー(DP)の一般化である拡張微分プライバシーは、高ユーティリティを維持しながら厳密なプライバシー保証を提供するために広く研究されている。
しかしながら、拡張DPに関する既存の研究はユークリッド計量など、ほとんどメトリクスに制限されない。
そのため、位置情報ベースのサービスやドキュメント処理など、ごく少数のアプリケーションしか持たない。
本稿では,異なる計量を持つ拡張dpを提供する2つの機構,角距離(またはコサイン距離)を提案する。
我々のメカニズムは局所性センシティブハッシュ(lsh)に基づいており、角距離に適用でき、高次元空間内の個人データに対してうまく機能する。
提案機構のプライバシー特性を理論的に解析し,LSHが元の指標をほぼ保持していることを考慮し,入力データに対する拡張DPを証明した。
局所モデルにおける角距離の高い高次元個人データに基づく友人マッチングに適用し、2つの実データを用いてそのメカニズムを評価する。
LDPは非常に大きなプライバシー予算を必要としており、RAPPORがこのアプリケーションでは機能しないことを示す。
そして,提案機構により,拡張DPに基づく高ユーティリティかつ厳密なプライバシー保証と友人マッチングが可能となることを示す。
関連論文リスト
- Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。
本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
論文 参考訳(メタデータ) (2024-03-07T21:22:07Z) - Wasserstein Differential Privacy [4.112909937203119]
本稿では、プライバシー漏洩のリスクを測定するための代替DPフレームワークであるWDP(Wasserstein差分プライバシー)を提案する。
WDPには13の優れた特性があり、WDPの性能向上を理論的に支援できることを示す。
我々は、WDPを勾配降下シナリオに適用できる、Wasserstein accountantと呼ばれる一般的なプライバシ会計手法を導出する。
論文 参考訳(メタデータ) (2024-01-23T02:08:20Z) - On the Utility Gain of Iterative Bayesian Update for Locally
Differentially Private Mechanisms [4.525735598810446]
局所微分プライベート (LDP) 機構で隠蔽されたデータを用いて, プライベートな離散分布推定にイテレーティブベイズ更新 (IBU) を用いる。
IBU と Matrix Inversion (MI) の性能を比較し,複数のデータ収集のために設計された 7 つの LDP 機構と 7 つの LDP 機構を比較した。
以上の結果から,IBUは,追加のプライバシコストを伴わずに,異なるシナリオにおけるLPPメカニズムの有用性を向上させる上で有用な後処理ツールである可能性が示唆された。
論文 参考訳(メタデータ) (2023-07-15T08:40:39Z) - Personalized DP-SGD using Sampling Mechanisms [5.50042037663784]
Phi$,$Delta$)- Personalized Differential Privacy (($Phi$,$Delta$)- PDP。
提案アルゴリズムは,複数ラウンドのパーソナライズされたサンプリング機構を使用し,DP-SGDイテレーションに組み込む。
実データを用いた実験の結果,提案アルゴリズムはDP-SGDとDP-SGDと既存のPDP機構の単純な組み合わせよりも優れていた。
論文 参考訳(メタデータ) (2023-05-24T13:56:57Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳(メタデータ) (2023-02-19T16:58:53Z) - 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) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳(メタデータ) (2022-08-24T17:52:43Z) - Smoothed Differential Privacy [55.415581832037084]
微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。
本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。
サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
論文 参考訳(メタデータ) (2021-07-04T06:55:45Z) - A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。
本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。
このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
論文 参考訳(メタデータ) (2020-06-16T17:47:48Z)
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。