論文の概要: Differential Privacy of Dirichlet Posterior Sampling

• arxiv url: http://arxiv.org/abs/2110.01984v1
• Date: Sun, 3 Oct 2021 07:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:28:30.140042
• Title: Differential Privacy of Dirichlet Posterior Sampling
• Title（参考訳）: Dirichlet Posterior Smpling の差分プライバシー
• Authors: Donlapark Ponnoprat
• Abstract要約: ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。 トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Besides the Laplace distribution and the Gaussian distribution, there are many more probability distributions which is not well-understood in terms of privacy-preserving property of a random draw -- one of which is the Dirichlet distribution. In this work, we study the inherent privacy of releasing a single draw from a Dirichlet posterior distribution. As a complement to the previous study that provides general theories on the differential privacy of posterior sampling from exponential families, this study focuses specifically on the Dirichlet posterior sampling and its privacy guarantees. With the notion of truncated concentrated differential privacy (tCDP), we are able to derive a simple privacy guarantee of the Dirichlet posterior sampling, which effectively allows us to analyze its utility in various settings. Specifically, we prove accuracy guarantees of private Multinomial-Dirichlet sampling, which is prevalent in Bayesian tasks, and private release of a normalized histogram. In addition, with our results, it is possible to make Bayesian reinforcement learning differentially private by modifying the Dirichlet sampling for state transition probabilities.
• Abstract（参考訳）: ラプラス分布やガウス分布以外にも、ランダムドローのプライバシー保護性の観点からはよく理解されていない多くの確率分布があり、そのうちの1つはディリクレ分布である。 本研究では,ディリクレ後方分布から1つのドローを解放する固有のプライバシについて検討する。 指数関数的家族からの後方サンプリングの差分プライバシーに関する一般的な理論を提供する以前の研究の補足として、この研究は特にディリクレ後方サンプリングとそのプライバシー保証に焦点を当てている。 集中的ディファレンシャルプライバシー(tcdp)の概念により、ディリクレ後方サンプリングの単純なプライバシ保証を導出することができ、様々な設定でその有用性を効果的に分析することができる。 具体的には,ベイジアンタスクで一般的である多項ディリクレサンプリングと正規化ヒストグラムのプライベートリリースの精度保証を実証する。 さらに, 状態遷移確率に対するディリクレサンプリングを改良することにより, ベイズ強化学習を微分プライベートにすることが可能である。

関連論文リスト

• Differentially Private Random Feature Model [52.468511541184895]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Enhanced Privacy Bound for Shuffle Model with Personalized Privacy [32.08637708405314]
  Differential Privacy(DP)は、ローカルユーザと中央データキュレーターの間の中間信頼サーバを導入する、強化されたプライバシプロトコルである。 これは、局所的にランダム化されたデータを匿名化しシャッフルすることで、中央のDP保証を著しく増幅する。 この研究は、各ユーザーごとにパーソナライズされたローカルプライバシを必要とする、より実践的な設定のために、中央のプライバシ境界を導出することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-25T16:11:56Z)
• Approximation of Pufferfish Privacy for Gaussian Priors [6.2584995033090625]
  また,各識別シークレットペアに設定されたガウス分布の平均と分散の差に,付加的なラプラスノイズが校正された場合,$(epsilon, delta)$-pufferfishのプライバシが達成されることを示す。 典型的なアプリケーションは、和(または平均)クエリのプライベートリリースである。
  論文  参考訳（メタデータ） (2024-01-22T22:43:38Z)
• Posterior-Variance-Based Error Quantification for Inverse Problems in Imaging [8.510101522152231]
  提案手法は, 後方分散の推定と共形予測の手法を用いる。 また、後部からの近似サンプリングのみが可能な場合にも、カバレッジ保証を得ることができる。 論文で示された複数の正則化アプローチによる実験は、実際に得られた誤差境界がかなり厳密であることを確認した。
  論文  参考訳（メタデータ） (2022-12-23T17:45:38Z)
• Generalised Likelihood Ratio Testing Adversaries through the Differential Privacy Lens [69.10072367807095]
  微分プライバシー(DP)は、最適な敵の能力に厳格な上限を提供する。 我々は,NPO(Neyman-Pearson-Pearson-Pearson-Pearson-Pearson-Pearson)対GLRT(Generalized Likelihood Test)対向の仮定を緩和する。 この緩やかな緩和は、プライバシー保証の改善につながる。
  論文  参考訳（メタデータ） (2022-10-24T08:24:10Z)
• Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
  そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。 また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
  論文  参考訳（メタデータ） (2022-05-05T06:43:46Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling [49.43288037509783]
  ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。 私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
  論文  参考訳（メタデータ） (2020-12-23T17:07:26Z)
• Successive Refinement of Privacy [38.20887036580742]
  本研究は、局所微分プライバシー(LDP)を実現するために、どの程度ランダム性が必要かを検討する。 モチベーションシナリオは、複数のアナリストに複数のレベルのプライバシを提供することである。 各ユーザのプライバシーを維持しながら、ランダムなキーを時間の経過とともに再利用できないことを示す。
  論文  参考訳（メタデータ） (2020-05-24T04:16:01Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)
• Propose, Test, Release: Differentially private estimation with high probability [9.25177374431812]
  我々はPTR機構の新たな一般バージョンを導入し、微分プライベートな推定器に対して高い確率誤差境界を導出する。 我々のアルゴリズムは、データ上の有界性仮定なしで中央値と平均値の差分プライベートな推定を行うための最初の統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-19T01:29:05Z)

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。