論文の概要: Rainbow Differential Privacy
- arxiv url: http://arxiv.org/abs/2202.03974v1
- Date: Tue, 8 Feb 2022 16:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 17:15:32.973809
- Title: Rainbow Differential Privacy
- Title（参考訳）: レインボーの識別プライバシー
- Authors: Ziqi Zhou, Onur G\"unl\"u, Rafael G. L. D'Oliveira, Muriel M\'edard,
Parastoo Sadeghi, and Rafael F. Schaefer
- Abstract要約: ランダムなグラフカラー化により、微分プライベートなメカニズムを設計するためのフレームワークを拡張する。
この設定では、各データセットがメカニズムの出力を優先的に順序付けしていると仮定する。
DPメカニズムがこれらの領域の境界で事前に特定されている場合、少なくとも1つの最適メカニズムが存在することを示す。
- 参考スコア（独自算出の注目度）: 26.832334986198248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We extend a previous framework for designing differentially private (DP)
mechanisms via randomized graph colorings that was restricted to binary
functions, corresponding to colorings in a graph, to multi-valued functions. As
before, datasets are nodes in the graph and any two neighboring datasets are
connected by an edge. In our setting, we assume each dataset has a preferential
ordering for the possible outputs of the mechanism, which we refer to as a
rainbow. Different rainbows partition the graph of datasets into different
regions. We show that when the DP mechanism is pre-specified at the boundary of
such regions, at most one optimal mechanism can exist. Moreover, if the
mechanism is to behave identically for all same-rainbow boundary datasets, the
problem can be greatly simplified and solved by means of a morphism to a line
graph. We then show closed form expressions for the line graph in the case of
ternary functions. Treatment of ternary queries in this paper displays enough
richness to be extended to higher-dimensional query spaces with preferential
query ordering, but the optimality proof does not seem to follow directly from
the ternary proof.
- Abstract（参考訳）: 我々は,グラフの彩色に対応するバイナリ関数に制限されたランダム化グラフ彩色から多値関数まで,微分プライベート(dp)機構を設計するための従来のフレームワークを拡張した。
前述したように、データセットはグラフのノードであり、隣接する2つのデータセットはエッジで接続される。
当社の設定では、各データセットが、レインボーと呼ぶメカニズムの可能な出力に対して優先順序を持つと仮定します。
異なる虹色はデータセットのグラフを異なる領域に分割する。
これらの領域の境界でdp機構が予め指定されている場合、少なくとも1つの最適機構が存在することを示す。
さらに、このメカニズムがすべての同じrainbow境界データセットに対して等しく振る舞う場合、問題は線グラフへの射によって大幅に単純化され、解決される。
次に、三元関数の場合の直線グラフの閉形式式を示す。
本論文における三項問合せ処理は,高次元問合せ空間に優先的な問合せ順序で拡張できるほどのリッチさを示すが,その最適性証明は三項証明から直接は従わないように思われる。
関連論文リスト
- Exploring Edge Probability Graph Models Beyond Edge Independency: Concepts, Analyses, and Algorithms [26.550266795403022]
好ましくないランダムグラフモデル(RGM)は、高いクラスタリング(高サブグラフ密度)のような現実的な構造を生成するべきである。
RGMの一般的なクラス(例えば、ErdHos-R'enyi や Kronecker など)はエッジ確率を出力する。
エッジ独立性では、理論上RGMは高いサブグラフ密度と高い出力変動を同時に生成することはできない。
論文 参考訳（メタデータ） (2024-05-26T23:48:30Z) - Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。
具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。
我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文 参考訳（メタデータ） (2024-02-29T09:26:46Z) - Differentiable Mapper For Topological Optimization Of Data
Representation [33.33724208084121]
我々は,Mapperグラフに対する最初のフィルタ最適化スキームを提供するためにトポロジを組み込んだ最近提案されたフレームワークを構築した。
複数のデータセット上でMapperグラフ表現を最適化することで,提案手法の有用性を示す。
論文 参考訳（メタデータ） (2024-02-20T09:33:22Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Generalized Rainbow Differential Privacy [46.2876613627697]
ランダムなグラフカラー化による微分プライベート(DP)機構を設計するための新しい枠組みについて検討する。
このフレームワークでは、データセットはグラフのノードであり、2つの隣接するデータセットはエッジで接続される。
そのような領域の境界にあるDP機構が固定され、すべての同じ領域の境界データセットに対して同一に振る舞う場合、ユニークな$(epsilon,delta)$-DPメカニズムが存在することを示す。
論文 参考訳（メタデータ） (2023-09-11T23:39:13Z) - Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳（メタデータ） (2023-06-13T12:40:39Z) - The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。
特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。
説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
論文 参考訳（メタデータ） (2022-06-15T08:49:24Z) - On a linear fused Gromov-Wasserstein distance for graph structured data [2.360534864805446]
埋め込み間のユークリッド距離として定義される2つのグラフ間の新しい距離である線形FGWを提案する。
提案した距離の利点は2つある: 1) ノードの特徴とグラフの構造を考慮して、カーネルベースのフレームワークにおけるグラフ間の類似性を測定する。
論文 参考訳（メタデータ） (2022-03-09T13:43:18Z) - Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for
Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。
本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文 参考訳（メタデータ） (2020-08-03T08:48:41Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。