Fugu-MT 論文翻訳(概要): Composition of Differential Privacy & Privacy Amplification by Subsampling

論文の概要: Composition of Differential Privacy & Privacy Amplification by Subsampling

arxiv url: http://arxiv.org/abs/2210.00597v1
Date: Sun, 2 Oct 2022 18:22:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 18:05:16.025517
Title: Composition of Differential Privacy & Privacy Amplification by Subsampling
Title（参考訳）: サブサンプリングによる差分プライバシー・プライバシー増幅の構成
Authors: Thomas Steinke
Abstract要約: この章は、人工知能アプリケーションのための差別化プライバシ(differial Privacy for Artificial Intelligence Applications)という本の一部である。我々は、差分プライバシーの最も重要な特性、つまり構成について紹介する。
参考スコア（独自算出の注目度）: 18.397305289651907
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This chapter is meant to be part of the book ``Differential Privacy for Artificial Intelligence Applications.'' We give an introduction to the most important property of differential privacy -- composition: running multiple independent analyses on the data of a set of people will still be differentially private as long as each of the analyses is private on its own -- as well as the related topic of privacy amplification by subsampling. This chapter introduces the basic concepts and gives proofs of the key results needed to apply these tools in practice.
Abstract（参考訳）: この章は '`Differential Privacy for Artificial Intelligence Applications' という本の一部になっている。一連の人のデータに対して複数の独立した分析を実行することは、各分析が単独でプライベートである限り、相変わらず、またサブサンプリングによる関連するプライバシー増幅のトピックである。この章では、基本的な概念を紹介し、これらのツールを実践するのに必要な重要な結果を示す。

関連論文リスト

Differential Privacy Overview and Fundamental Techniques [63.0409690498569]
この章は、"Differential Privacy in Artificial Intelligence: From Theory to Practice"という本の一部である。まず、データのプライバシ保護のためのさまざまな試みについて説明し、その失敗の場所と理由を強調した。次に、プライバシ保護データ分析の領域を構成する重要なアクター、タスク、スコープを定義する。
論文参考訳（メタデータ） (2024-11-07T13:52:11Z)
A Statistical Viewpoint on Differential Privacy: Hypothesis Testing, Representation and Blackwell's Theorem [30.365274034429508]
我々は、差分プライバシーはテクストプア統計概念とみなすことができると論じる。 $f$-differential privacyは、データ分析と機械学習のプライバシー境界を分析するための統合フレームワークである。
論文参考訳（メタデータ） (2024-09-14T23:47:22Z)
Privacy-Preserving ECG Data Analysis with Differential Privacy: A Literature Review and A Case Study [1.1156009461711638]
本稿では、差分プライバシーにおける重要な概念の概要と、ECG分析への応用に関する文献レビューと議論について述べる。論文の第2部では,6段階のプロセスを用いて不整脈データベース上で,差分プライベートなクエリリリースを実現する方法について検討する。
論文参考訳（メタデータ） (2024-06-19T23:17:16Z)
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)
Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-09-08T22:43:50Z)
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)
Decision Making with Differential Privacy under a Fairness Lens [65.16089054531395]
アメリカ国勢調査局は、多くの重要な意思決定プロセスの入力として使用される個人のグループに関するデータセットと統計を公表している。プライバシと機密性要件に従うために、これらの機関は、しばしば、プライバシを保存するバージョンのデータを公開する必要がある。本稿では,差分的プライベートデータセットのリリースについて検討し,公平性の観点から重要な資源配分タスクに与える影響を考察する。
論文参考訳（メタデータ） (2021-05-16T21:04:19Z)
Applications of Differential Privacy in Social Network Analysis: A Survey [60.696428840516724]
差別化プライバシは、情報を共有し、強力な保証でプライバシを保存するのに有効である。ソーシャルネットワーク分析は多くのアプリケーションで広く採用されており、差分プライバシーの応用のための新たな領域が開かれた。
論文参考訳（メタデータ） (2020-10-06T19:06:03Z)
Auditing Differentially Private Machine Learning: How Private is Private SGD? [16.812900569416062]
我々は、差分的プライベートSGDが、最先端の分析によって保証されているものよりも、実際に優れたプライバシーを提供するかどうかを調査する。われわれは、新しいデータ中毒攻撃を通じて、現実的なプライバシー攻撃に対応している。
論文参考訳（メタデータ） (2020-06-13T20:00:18Z)

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。