論文の概要: DPOAD: Differentially Private Outsourcing of Anomaly Detection through
Iterative Sensitivity Learning
- arxiv url: http://arxiv.org/abs/2206.13046v1
- Date: Mon, 27 Jun 2022 05:07:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 03:14:45.294101
- Title: DPOAD: Differentially Private Outsourcing of Anomaly Detection through
Iterative Sensitivity Learning
- Title（参考訳）: DPOAD:反復感度学習による異常検出の個人的アウトソーシング
- Authors: Meisam Mohammady, Han Wang, Lingyu Wang, Mengyuan Zhang, Yosr Jarraya,
Suryadipta Majumdar, Makan Pourzandi, Mourad Debbabi, Yuan Hong
- Abstract要約: サードパーティに異常検出をアウトソーシングすることで、データ所有者はリソース制約を克服できる。
このようなメリットにもかかわらず、データ所有者は、十分なプライバシー保護なしに異常検出をアウトソースすることに消極的だと感じているかもしれない。
本稿では,データ所有者が異常なエントリを,良性のあるエントリから段階的に切り離すための,新たな反復解を提案する。
- 参考スコア（独自算出の注目度）: 16.895366370324318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Outsourcing anomaly detection to third-parties can allow data owners to
overcome resource constraints (e.g., in lightweight IoT devices), facilitate
collaborative analysis (e.g., under distributed or multi-party scenarios), and
benefit from lower costs and specialized expertise (e.g., of Managed Security
Service Providers). Despite such benefits, a data owner may feel reluctant to
outsource anomaly detection without sufficient privacy protection. To that end,
most existing privacy solutions would face a novel challenge, i.e., preserving
privacy usually requires the difference between data entries to be eliminated
or reduced, whereas anomaly detection critically depends on that difference.
Such a conflict is recently resolved under a local analysis setting with
trusted analysts (where no outsourcing is involved) through moving the focus of
differential privacy (DP) guarantee from "all" to only "benign" entries. In
this paper, we observe that such an approach is not directly applicable to the
outsourcing setting, because data owners do not know which entries are "benign"
prior to outsourcing, and hence cannot selectively apply DP on data entries.
Therefore, we propose a novel iterative solution for the data owner to
gradually "disentangle" the anomalous entries from the benign ones such that
the third-party analyst can produce accurate anomaly results with sufficient DP
guarantee. We design and implement our Differentially Private Outsourcing of
Anomaly Detection (DPOAD) framework, and demonstrate its benefits over baseline
Laplace and PainFree mechanisms through experiments with real data from
different application domains.
- Abstract（参考訳）: サードパーティに異常検出をアウトソーシングすることで、データ所有者はリソース制約(軽量IoTデバイスなど)を克服し、コラボレーティブ分析(分散あるいはマルチパーティシナリオなど)を容易にし、コストの低減と専門的専門知識(マネージドセキュリティサービスプロバイダなど)の恩恵を受けることができる。
このようなメリットにもかかわらず、データ所有者は、十分なプライバシー保護なしに異常検出をアウトソースすることを嫌うかもしれない。
そのためには、既存のプライバシソリューションのほとんどが、新たな課題に直面することになる。すなわち、プライバシの保存には、通常、データエントリ間の差異の排除や削減が必要となるが、異常検出は、その差に極めて依存する。
このような対立は、信頼されたアナリスト(アウトソーシングが関与しない)とのローカル分析設定の下で解決され、差分プライバシー(DP)の焦点を"すべて"から"良質"のエントリだけに移行する。
本稿では、データ所有者は、アウトソーシング前にどのエントリが「良」であるかを知らないため、データエントリにDPを選択的に適用できないため、アウトソーシング設定にそのようなアプローチが直接適用されないことを観察する。
そこで,本研究では,データ所有者が異常なエントリを良質なエントリから徐々に「不連続」し,第三者のアナリストが十分なdp保証で正確な異常結果が得られるような,新しい反復的ソリューションを提案する。
我々は,dpoad(anomaly detection)フレームワークの設計と実装を行い,異なるアプリケーションドメインの実データを用いた実験を通じて,ベースラインラプラスやペインフリーメカニズムよりもそのメリットを実証する。
関連論文リスト
- AAA: an Adaptive Mechanism for Locally Differential Private Mean Estimation [42.95927712062214]
ローカルディファレンシャルプライバシ(LDP)は、一般的なソフトウェアシステムで採用されている強力なプライバシ標準である。
本稿では, 平均効用に対処する分布認識手法である, 適応型アダプティブ (AAA) 機構を提案する。
我々は、厳密なプライバシー証明、ユーティリティ分析、そしてAAAと最先端のメカニズムを比較した広範な実験を提供する。
論文 参考訳（メタデータ） (2024-04-02T04:22:07Z) - 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) - Federated Experiment Design under Distributed Differential Privacy [31.06808163362162]
我々は,サービス提供者に対する信頼を最小限にしつつ,ユーザのプライバシの厳格な保護に注力する。
現代のA/Bテストにおいて重要な要素であるが、これまではプライベート分散実験は研究されていない。
これらのメカニズムは、実際に一般的に見られる非常に多くの参加者を扱うために、どのようにスケールアップできるかを示す。
論文 参考訳（メタデータ） (2023-11-07T22:38:56Z) - Causal Discovery Under Local Privacy [5.7835417207193585]
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) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - Causal Inference with Differentially Private (Clustered) Outcomes [16.166525280886578]
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。
我々は,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) - 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) - Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。
我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文 参考訳（メタデータ） (2022-08-12T06:52:55Z) - Debugging Differential Privacy: A Case Study for Privacy Auditing [60.87570714269048]
監査は、微分プライベートなスキームの欠陥を見つけるためにも利用できることを示す。
このケーススタディでは、微分プライベートなディープラーニングアルゴリズムの最近のオープンソース実装を監査し、99.9999999999%の信頼を得て、この実装が要求される差分プライバシー保証を満たさないことを発見した。
論文 参考訳（メタデータ） (2022-02-24T17:31:08Z) - A Privacy-Preserving Unsupervised Domain Adaptation Framework for
Clinical Text Analysis [16.22078034183147]
プライバシ保護ドメイン適応の未解決問題について検討する。
本稿では,ソースデータのプライバシを保護するために,新たな差分プライバシートレーニング手法を提案する。
その結果,提案手法は,テキスト分類タスクにわずかな性能の影響を伴って,ソースデータのプライバシを保持できることが示唆された。
論文 参考訳（メタデータ） (2022-01-18T21:23:28Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z)
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。