論文の概要: PreFair: Privately Generating Justifiably Fair Synthetic Data

• arxiv url: http://arxiv.org/abs/2212.10310v2
• Date: Mon, 27 Mar 2023 15:11:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 01:13:59.029194
• Title: PreFair: Privately Generating Justifiably Fair Synthetic Data
• Title（参考訳）: PreFair: 公正な合成データをプライベートに生成する
• Authors: David Pujol, Amir Gilad, Ashwin Machanavajjhala
• Abstract要約: PreFairは、差分プライバシー(DP)公正な合成データ生成を可能にするシステムである。 我々は、合成データ生成シナリオに適合する正当性の概念に適応する。
• 参考スコア（独自算出の注目度）: 17.037575948075215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When a database is protected by Differential Privacy (DP), its usability is limited in scope. In this scenario, generating a synthetic version of the data that mimics the properties of the private data allows users to perform any operation on the synthetic data, while maintaining the privacy of the original data. Therefore, multiple works have been devoted to devising systems for DP synthetic data generation. However, such systems may preserve or even magnify properties of the data that make it unfair, endering the synthetic data unfit for use. In this work, we present PreFair, a system that allows for DP fair synthetic data generation. PreFair extends the state-of-the-art DP data generation mechanisms by incorporating a causal fairness criterion that ensures fair synthetic data. We adapt the notion of justifiable fairness to fit the synthetic data generation scenario. We further study the problem of generating DP fair synthetic data, showing its intractability and designing algorithms that are optimal under certain assumptions. We also provide an extensive experimental evaluation, showing that PreFair generates synthetic data that is significantly fairer than the data generated by leading DP data generation mechanisms, while remaining faithful to the private data.
• Abstract（参考訳）: データベースがディファレンシャルプライバシ(DP)によって保護されている場合、そのユーザビリティはスコープに制限される。 このシナリオでは、プライベートデータのプロパティを模倣したデータの合成バージョンを生成することにより、ユーザは、元のデータのプライバシを維持しながら、合成データの操作を実行できる。 そのため、DP合成データ生成のためのシステム開発に複数の研究が費やされている。 しかし、このようなシステムは不公平なデータの性質を保存または拡大し、使用に不適な合成データに耐えることができる。 本研究では,DP公正な合成データ生成を可能にするシステムであるPreFairを提案する。 PreFairは、公正な合成データを保証する因果フェアネス基準を組み込むことで、最先端のDPデータ生成メカニズムを拡張している。 我々は、合成データ生成シナリオに適合する正当性の概念に適応する。 さらに,DPの公正な合成データ生成の問題について検討し,その抽出性や設計アルゴリズムが一定の仮定で最適であることを示す。 また,PreFairはDPデータ生成機構が生成するデータよりもはるかに公平な合成データを生成する一方で,プライベートデータに忠実なままであることを示す,広範な実験評価を行った。

関連論文リスト

• Mitigating the Privacy Issues in Retrieval-Augmented Generation (RAG) via Pure Synthetic Data [51.41288763521186]
  Retrieval-augmented Generation (RAG)は、外部知識ソースから取得した関連情報を統合することにより、言語モデルの出力を強化する。 RAGシステムは、プライベートデータを取得する際に深刻なプライバシーリスクに直面する可能性がある。 検索データに対するプライバシー保護の代替として,合成データを用いる方法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T22:53:09Z)
• Trading Off Scalability, Privacy, and Performance in Data Synthesis [11.698554876505446]
  a) Howsoエンジンを導入し、(b)ランダムプロジェクションに基づく合成データ生成フレームワークを提案する。 Howsoエンジンが生成する合成データは、プライバシーと正確性に優れており、その結果、総合的なスコアが最高の結果となる。 提案するランダム・プロジェクション・ベース・フレームワークは,高い精度で合成データを生成することができ,スケーラビリティが最速である。
  論文  参考訳（メタデータ） (2023-12-09T02:04:25Z)
• Strong statistical parity through fair synthetic data [0.0]
  本稿では,デザインによる公正さを具現化した合成データの作成について検討する。 このような合成データに基づいてトレーニングされた下流モデルは、すべての閾値にわたって公正な予測を提供する。
  論文  参考訳（メタデータ） (2023-11-06T10:06:30Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Differentially Private Data Generation with Missing Data [25.242190235853595]
  我々は、差分プライバシー(DP)合成データの問題点を、欠落した値で定式化する。 本稿では,合成データの有効性を大幅に向上させる3つの効果的な適応戦略を提案する。 全体として、この研究は、プライベートな合成データ生成アルゴリズムを使用する際の課題と機会をより深く理解することに貢献している。
  論文  参考訳（メタデータ） (2023-10-17T19:41:54Z)
• Synthetic is all you need: removing the auxiliary data assumption for membership inference attacks against synthetic data [9.061271587514215]
  この仮定をどのように取り除くかを示し、MIAを合成データのみを用いて実行できるようにする。 その結果,MIAは実世界の2つのデータセットと2つの合成データジェネレータでまだ成功していることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T13:16:03Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• DECAF: Generating Fair Synthetic Data Using Causally-Aware Generative Networks [71.6879432974126]
  本稿では,GANに基づく表型データのための公正な合成データ生成装置であるDECAFを紹介する。 DeCAFは望ましくないバイアスを除去し,高品質な合成データを生成可能であることを示す。 下流モデルの収束と公平性に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2021-10-25T12:39:56Z)
• Bias Mitigated Learning from Differentially Private Synthetic Data: A Cautionary Tale [13.881022208028751]
  バイアスは、合成データ分布が実データ分布の不整合推定であるため、すべての解析に影響を与える可能性がある。 民営化確率比を用いた複数のバイアス緩和戦略を提案する。 バイアス緩和は、合成データの一般的な応用に、シンプルで効果的なプライバシー準拠の強化をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-08-24T19:56:44Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)

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。