Fugu-MT 論文翻訳(概要): Fully Adaptive Composition for Gaussian Differential Privacy

論文の概要: Fully Adaptive Composition for Gaussian Differential Privacy

arxiv url: http://arxiv.org/abs/2210.17520v1
Date: Mon, 31 Oct 2022 17:42:01 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 19:50:17.156386
Title: Fully Adaptive Composition for Gaussian Differential Privacy
Title（参考訳）: ガウス微分プライバシーのための完全適応構成
Authors: Adam Smith and Abhradeep Thakurta
Abstract要約: ガウス雑音付加分析に適合した差分プライバシーの変種が,完全適応型アナリストの存在下においても優雅に構成されていることを示す。 Rogers, Roth, Ullman, Vadhan の言語では、これは非適応的な構成と同じパラメータを持つGDPのフィルタを与える。
参考スコア（独自算出の注目度）: 13.810579364558745
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We show that Gaussian Differential Privacy, a variant of differential privacy tailored to the analysis of Gaussian noise addition, composes gracefully even in the presence of a fully adaptive analyst. Such an analyst selects mechanisms (to be run on a sensitive data set) and their privacy budgets adaptively, that is, based on the answers from other mechanisms run previously on the same data set. In the language of Rogers, Roth, Ullman and Vadhan, this gives a filter for GDP with the same parameters as for nonadaptive composition.
Abstract（参考訳）: ガウス雑音付加の分析に合わせた微分プライバシーの変種であるガウス微分プライバシーが,完全適応型アナリストの存在下においても優雅に構成されていることを示す。このような分析者は、以前同じデータセット上で実行された他のメカニズムからの回答に基づいて、(機密データセット上で実行される)メカニズムとそれらのプライバシー予算を適応的に選択する。 Rogers, Roth, Ullman, Vadhan の言語では、これは非適応的な構成と同じパラメータを持つGDPのフィルタを与える。

関連論文リスト

How Private are DP-SGD Implementations? [61.19794019914523]
2種類のバッチサンプリングを使用する場合、プライバシ分析の間に大きなギャップがあることが示される。その結果,2種類のバッチサンプリングでは,プライバシ分析の間に大きなギャップがあることが判明した。
論文参考訳（メタデータ） (2024-03-26T13:02:43Z)
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)
The Symmetric alpha-Stable Privacy Mechanism [0.0]
本稿では,Symmetric alpha-Stable (SaS) 機構の新しい解析法を提案する。この機構は、畳み込みの下で閉じたまま、純粋に微分プライベートであることを示す。
論文参考訳（メタデータ） (2023-11-29T16:34:39Z)
Differential Privacy with Higher Utility by Exploiting Coordinate-wise Disparity: Laplace Mechanism Can Beat Gaussian in High Dimensions [9.20186865054847]
我々は、i.n.d. Gaussian と Laplace のメカニズムを研究し、これらのメカニズムがプライバシーを保証する条件を得る。 i.n.d.ノイズは, (a) 座標降下, (b) 主成分分析, (c) グループクリッピングによる深層学習における性能を向上することを示す。
論文参考訳（メタデータ） (2023-02-07T14:54:20Z)
General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文参考訳（メタデータ） (2023-01-31T18:47:42Z)
Individual Privacy Accounting with Gaussian Differential Privacy [8.81666701090743]
個別のプライバシ会計は、分析に関わる各関係者に対して、差分プライバシー(DP)の損失を個別に制限することを可能にする。個人のプライバシー損失を原則的に説明するためには、ランダム化機構の適応的な構成のためのプライバシー会計士が必要である。
論文参考訳（メタデータ） (2022-09-30T17:19:40Z)
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)
Fully Adaptive Composition in Differential Privacy [53.01656650117495]
よく知られた高度な合成定理は、基本的なプライバシー構成が許すよりも、プライベートデータベースを2倍にクエリすることができる。アルゴリズムとプライバシパラメータの両方を適応的に選択できる完全適応型合成を導入する。適応的に選択されたプライバシパラメータが許されているにもかかわらず、定数を含む高度なコンポジションのレートに適合するフィルタを構築します。
論文参考訳（メタデータ） (2022-03-10T17:03:12Z)
A unified interpretation of the Gaussian mechanism for differential privacy through the sensitivity index [61.675604648670095]
GMの一般的な3つの解釈、すなわち$(varepsilon, delta)$-DP, f-DP, R'enyi DPは1つのパラメータ$psi$で表現できる。 $psi$は、クエリの感度とノイズ摂動の大きさの2つの基本量をカプセル化することによって、GMとその特性を特徴付ける。
論文参考訳（メタデータ） (2021-09-22T06:20:01Z)
Smoothed Differential Privacy [55.415581832037084]
微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
論文参考訳（メタデータ） (2021-07-04T06:55:45Z)
Bounding, Concentrating, and Truncating: Unifying Privacy Loss Composition for Data Analytics [2.614355818010333]
アナリストが純粋なDP、境界範囲(指数的なメカニズムなど)、集中的なDPメカニズムを任意の順序で選択できる場合、強いプライバシー損失バウンダリを提供する。また、アナリストが純粋なDPと境界範囲のメカニズムをバッチで選択できる場合に適用される最適なプライバシー損失境界を提供する。
論文参考訳（メタデータ） (2020-04-15T17:33:10Z)

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。