論文の概要: Learning Numeric Optimal Differentially Private Truncated Additive Mechanisms

• arxiv url: http://arxiv.org/abs/2107.12957v1
• Date: Tue, 27 Jul 2021 17:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 14:29:06.939569
• Title: Learning Numeric Optimal Differentially Private Truncated Additive Mechanisms
• Title（参考訳）: learning numeric optimal differentially truncated additive mechanism(英語)
• Authors: David M. Sommer, Lukas Abfalterer, Sheila Zingg and Esfandiar Mohammadi
• Abstract要約: 実効性境界が強い付加的なメカニズムに対して,トランクテッドノイズを学習するためのツールを提案する。 平均単調な単調な音から, 対称性やその新しい音を考慮すれば十分であることを示す。 感度境界機構については, 平均単調な単調なノイズから, 対称性とその新しさを考えるのに十分であることを示す。
• 参考スコア（独自算出の注目度）: 5.079561894598125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentially private (DP) mechanisms face the challenge of providing accurate results while protecting their inputs: the privacy-utility trade-off. A simple but powerful technique for DP adds noise to sensitivity-bounded query outputs to blur the exact query output: additive mechanisms. While a vast body of work considers infinitely wide noise distributions, some applications (e.g., real-time operating systems) require hard bounds on the deviations from the real query, and only limited work on such mechanisms exist. An additive mechanism with truncated noise (i.e., with bounded range) can offer such hard bounds. We introduce a gradient-descent-based tool to learn truncated noise for additive mechanisms with strong utility bounds while simultaneously optimizing for differential privacy under sequential composition, i.e., scenarios where multiple noisy queries on the same data are revealed. Our method can learn discrete noise patterns and not only hyper-parameters of a predefined probability distribution. For sensitivity bounded mechanisms, we show that it is sufficient to consider symmetric and that\new{, for from the mean monotonically falling noise,} ensuring privacy for a pair of representative query outputs guarantees privacy for all pairs of inputs (that differ in one element). We find that the utility-privacy trade-off curves of our generated noise are remarkably close to truncated Gaussians and even replicate their shape for $l_2$ utility-loss. For a low number of compositions, we also improved DP-SGD (sub-sampling). Moreover, we extend Moments Accountant to truncated distributions, allowing to incorporate mechanism output events with varying input-dependent zero occurrence probability.
• Abstract（参考訳）: 異なるプライベート(DP)メカニズムは、入力を保護しながら正確な結果を提供するという課題に直面している。 DPの単純だが強力なテクニックは、感度に縛られたクエリ出力にノイズを加えて、正確なクエリ出力を曖昧にする。 膨大な量の作業が無限に広いノイズ分布を考慮しているが、いくつかのアプリケーション(例えばリアルタイムオペレーティングシステム)は実際のクエリからの逸脱にハードバウンドを必要とし、そのようなメカニズムに関する限られた作業しか存在しない。 遮断されたノイズ(すなわち有界範囲)を持つ付加的なメカニズムは、そのようなハード境界を提供することができる。 本稿では,逐次構成下でのディファレンシャルプライバシの最適化,すなわち同一データに対する複数のノイズクエリが露呈するシナリオを同時に行うとともに,強力なユーティリティ境界を持つ付加機構の停止音を学習する勾配descent-based toolを提案する。 本手法は,事前定義された確率分布のハイパーパラメータだけでなく,離散雑音パターンも学習できる。 感度の有界なメカニズムについては、一対の代表的クエリ出力に対するプライバシの確保は、すべての入力のプライバシを保証する(1つの要素で異なる)。 生成したノイズのユーティリティ・プライバシーのトレードオフ曲線は、ガウス型に非常に近いため、その形状をl_2$ユーティリティー損失で再現することもできます。 少ない構成でdp-sgd (sub-sampling) も改善した。 さらに,モーメント会計を停止分布に拡張することで,入力依存ゼロ発生確率の異なる機構出力イベントを組み込むことができる。

関連論文リスト

• Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
  サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。 本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。 サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
  論文  参考訳（メタデータ） (2024-03-07T19:36:05Z)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
  差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。 既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。 本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
  論文  参考訳（メタデータ） (2023-11-04T04:43:47Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Brownian Noise Reduction: Maximizing Privacy Subject to Accuracy Constraints [53.01656650117495]
  研究者と実践者の間には、プライバシとユーティリティのトレードオフの扱い方の違いがある。 ブラウン機構は、まず擬ブラウン運動の最終点に対応する高分散のガウス雑音を加えることで機能する。 我々は、古典的AboveThresholdアルゴリズムの一般化であるReduceedAboveThresholdでブラウン機構を補完する。
  論文  参考訳（メタデータ） (2022-06-15T01:43:37Z)
• Optimum Noise Mechanism for Differentially Private Queries in Discrete Finite Sets [3.5379819043314176]
  本稿では,離散的かつ有限な問合せセットに適した最適ノイズマス確率関数を設計するための新しいフレームワークを提案する。 我々のフレームワークは、任意の$(epsilon, delta)$制約の下でノイズ分布を最適化し、応答の精度と有用性を向上させる。 数値実験により,提案手法の最先端手法と比較して,最適機構の優れた性能が示された。
  論文  参考訳（メタデータ） (2021-11-23T05:24:34Z)
• Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise [59.47042225257565]
  雑音分布の明示的な表現に依存しない新しい計画法を提案する。 まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。 いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
  論文  参考訳（メタデータ） (2021-10-25T06:18:55Z)
• 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)
• The Discrete Gaussian for Differential Privacy [23.977143445822897]
  微分プライベートシステムを構築するための重要なツールは、機密データセットで評価された関数の出力にガウスノイズを追加することである。 これまでの研究は、一見無害な数値エラーがプライバシーを完全に破壊することを示した。 差分プライバシーの文脈において、離散ガウシアンを導入・分析する。
  論文  参考訳（メタデータ） (2020-03-31T18:00:00Z)

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。