論文の概要: Differentially Private Estimation of Hawkes Process
- arxiv url: http://arxiv.org/abs/2209.07303v1
- Date: Thu, 15 Sep 2022 13:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 12:29:13.216518
- Title: Differentially Private Estimation of Hawkes Process
- Title(参考訳): ホークス過程の微分プライベート推定
- Authors: Simiao Zuo, Tianyi Liu, Tuo Zhao, Hongyuan Zha
- Abstract要約: 本稿では,Hawkesプロセスの離散化表現に基づいて,イベントストリームデータに対する微分プライバシーの厳密な定義を導入する。
次に、2つの微分プライベート最適化アルゴリズムを提案する。これにより、Hawkesプロセスモデルに望ましいプライバシとユーティリティの保証を持たせることができる。
- 参考スコア(独自算出の注目度): 81.20710494974281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point process models are of great importance in real world applications. In
certain critical applications, estimation of point process models involves
large amounts of sensitive personal data from users. Privacy concerns naturally
arise which have not been addressed in the existing literature. To bridge this
glaring gap, we propose the first general differentially private estimation
procedure for point process models. Specifically, we take the Hawkes process as
an example, and introduce a rigorous definition of differential privacy for
event stream data based on a discretized representation of the Hawkes process.
We then propose two differentially private optimization algorithms, which can
efficiently estimate Hawkes process models with the desired privacy and utility
guarantees under two different settings. Experiments are provided to back up
our theoretical analysis.
- Abstract(参考訳): 実世界のアプリケーションでは、ポイントプロセスモデルが非常に重要です。
ある重要なアプリケーションでは、ポイントプロセスモデルの推定には、ユーザからの大量の機密データが含まれる。
プライバシーに関する懸念は、既存の文献では解決されていない。
このグラッシングギャップを橋渡しするために, 点過程モデルに対する最初の一般微分プライベート推定手法を提案する。
具体的には、ホークスプロセスの一例として、ホークスプロセスの離散表現に基づくイベントストリームデータに対する差分プライバシの厳密な定義を導入します。
次に,プライバシとユーティリティの保証を2つの異なる設定で要求するホークスプロセスモデルを効率的に推定できる2つの微分プライベート最適化アルゴリズムを提案する。
我々の理論分析を裏付ける実験が提供されている。
関連論文リスト
- Conditional Density Estimations from Privacy-Protected Data [0.0]
プライバシ保護されたデータセットからのシミュレーションに基づく推論手法を提案する。
本稿では,感染性疾患モデルと通常の線形回帰モデルに基づく個別時系列データについて述べる。
論文 参考訳(メタデータ) (2023-10-19T14:34:17Z) - Privacy-aware Gaussian Process Regression [5.837881923712394]
提案手法は,データ所有者がプライバシ上の懸念から構築した高忠実度教師あり学習モデルを共有することを望まない場合に利用することができる。
提案手法の鍵となる考え方は,ガウス過程モデルの予測分散が予め定義されたプライバシーレベルに達するまで,データに合成ノイズを加えることである。
論文 参考訳(メタデータ) (2023-05-25T23:44:31Z) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳(メタデータ) (2022-08-24T17:52:43Z) - Assessing Differentially Private Variational Autoencoders under
Membership Inference [26.480694390462617]
差分プライベートな変分オートエンコーダのプライバシーと精度のトレードオフを定量化し比較する。
変分オートエンコーダのプライバシーと精度のトレードオフを良好に観察することはめったになく,LCPがCDPを上回った事例を特定する。
論文 参考訳(メタデータ) (2022-04-16T21:53:09Z) - 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) - Privacy preserving n-party scalar product protocol [0.0]
プライバシ保護機械学習は、データを公開することなく、分散データセット上のモデルのトレーニングを可能にする。
プライバシー保護スカラー製品プロトコルは、ベクトルのドット積を公開せずに可能にするもので、その汎用性の一例として人気がある。
本稿では,既存の2党方式に基づく任意の人数の当事者に対するプロトコルの一般化を提案する。
論文 参考訳(メタデータ) (2021-12-17T11:14:53Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳(メタデータ) (2021-02-11T18:59:11Z) - Bias and Variance of Post-processing in Differential Privacy [53.29035917495491]
後処理免疫は、差分プライバシーの基本的な性質である。
ポストプロセッシングはバイアスをもたらし、ばらつきを増大させるとしばしば主張される。
本稿では,後処理の特性を理解するための第一歩を踏み出す。
論文 参考訳(メタデータ) (2020-10-09T02:12:54Z) - MACE: A Flexible Framework for Membership Privacy Estimation in
Generative Models [14.290199072565162]
生成モデルにおけるメンバシッププライバシ推定のための最初の公式なフレームワークを提案する。
これまでの作業と比較すると、私たちのフレームワークはより現実的で柔軟な仮定をします。
論文 参考訳(メタデータ) (2020-09-11T23:15:05Z) - 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。