論文の概要: Decision Making with Differential Privacy under a Fairness Lens
- arxiv url: http://arxiv.org/abs/2105.07513v1
- Date: Sun, 16 May 2021 21:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:58:50.132120
- Title: Decision Making with Differential Privacy under a Fairness Lens
- Title(参考訳): フェアネスレンズによる差分プライバシーによる意思決定
- Authors: Ferdinando Fioretto, Cuong Tran, Pascal Van Hentenryck
- Abstract要約: アメリカ国勢調査局は、多くの重要な意思決定プロセスの入力として使用される個人のグループに関するデータセットと統計を公表している。
プライバシーと機密性要件に従うために、これらの機関は、しばしばデータのプライバシー保存バージョンをリリースする必要がある。
本稿では,差分的プライベートデータセットのリリースについて検討し,公平性の観点から重要な資源配分タスクに与える影響を考察する。
- 参考スコア(独自算出の注目度): 44.4747903763245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agencies, such as the U.S. Census Bureau, release data sets and statistics
about groups of individuals that are used as input to a number of critical
decision processes. To conform to privacy and confidentiality requirements,
these agencies are often required to release privacy-preserving versions of the
data. This paper studies the release of differentially private data sets and
analyzes their impact on some critical resource allocation tasks under a
fairness perspective. {The paper shows that, when the decisions take as input
differentially private data}, the noise added to achieve privacy
disproportionately impacts some groups over others. The paper analyzes the
reasons for these disproportionate impacts and proposes guidelines to mitigate
these effects. The proposed approaches are evaluated on critical decision
problems that use differentially private census data.
- Abstract(参考訳): アメリカ国勢調査局のような機関は、多くの決定プロセスの入力として使用される個人のグループに関するデータセットと統計を公表している。
プライバシーと機密性要件に従うために、これらの機関は、しばしばデータのプライバシー保存バージョンをリリースする必要がある。
本稿では,差分的プライベートデータセットのリリースについて検討し,公平性の観点から重要な資源配分タスクに与える影響を分析する。
論文は、この決定が入力を異なるプライベートデータとして取ると、プライバシーを不均等に達成するためのノイズが、一部のグループに悪影響を及ぼすことを示している。
論文は,これらの不釣り合いな影響の原因を分析し,これらの影響を軽減するためのガイドラインを提案する。
提案手法は,個別の国勢調査データを用いた臨界決定問題に基づいて評価される。
関連論文リスト
- Causal Discovery Under Local Privacy [5.341901833426653]
ローカル差分プライバシーは、データプロバイダが個別にデータに民営化メカニズムを適用できる変種である。
局所的差分的私的メカニズムをよく知られており、それらが提供するプライバシと、アルゴリズムが因果学習のために生成する因果構造の正確性とのトレードオフを比較検討する。
論文 参考訳(メタデータ) (2023-11-07T14:44:27Z) - Causal Inference with Differentially Private (Clustered) Outcomes [10.08890668924377]
ランダム化実験から因果効果を推定することは、参加者が反応を明らかにすることに同意すれば実現可能である。
データの任意のクラスタ構造を利用する新たな差分プライバシメカニズムであるCluster-DPを提案する。
クラスタの品質を直感的に測定することで,プライバシ保証を維持しながら分散損失を改善することができることを示す。
論文 参考訳(メタデータ) (2023-08-02T05:51:57Z) - Enabling Trade-offs in Privacy and Utility in Genomic Data Beacons and
Summary Statistics [26.99521354120141]
要約データやBeaconの応答とプライバシを明示的にトレードオフするための最適化ベースのアプローチを導入します。
第一に、攻撃者はメンバーシップ推論のクレームを行うために確率比テストを適用する。
第2に、攻撃者は、個人間のスコアの分離に対するデータリリースの影響を考慮に入れたしきい値を使用する。
論文 参考訳(メタデータ) (2023-01-11T19:16:13Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳(メタデータ) (2022-11-18T11:39:03Z) - 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) - 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) - Differentially Private and Fair Deep Learning: A Lagrangian Dual
Approach [54.32266555843765]
本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。
この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
論文 参考訳(メタデータ) (2020-09-26T10:50:33Z) - Neither Private Nor Fair: Impact of Data Imbalance on Utility and
Fairness in Differential Privacy [5.416049433853457]
本研究では,データの不均衡レベルの違いが,モデルによる決定の正確性と公平性に与える影響について検討する。
私たちは、小さな不均衡やプライバシー保証の緩やかささえも、異なる影響を引き起こすことを実証しています。
論文 参考訳(メタデータ) (2020-09-10T18:35:49Z) - Differential Privacy of Hierarchical Census Data: An Optimization
Approach [53.29035917495491]
国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。
最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。
本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
論文 参考訳(メタデータ) (2020-06-28T18:19:55Z)
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。