論文の概要: Ranking Differential Privacy

• arxiv url: http://arxiv.org/abs/2301.00841v1
• Date: Mon, 2 Jan 2023 19:12:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 14:20:29.139977
• Title: Ranking Differential Privacy
• Title（参考訳）: 階層的プライバシー
• Authors: Shirong Xu, Will Wei Sun and Guang Cheng
• Abstract要約: 既存の作業は、主に、$epsilon$-differential privacyの下で、ランキングのセットまたはペア単位でのランキングの比較において、単一のランキング上のプライバシ保護を開発する。 本稿では,位階を保護するために,$epsilon$-level差分プライバシーという新しい概念を提案する。 開発した$epsilon$-level差分プライバシーを満足しながら、合成ランキングを生成する多段階ランキングアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 17.826241775212786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rankings are widely collected in various real-life scenarios, leading to the leakage of personal information such as users' preferences on videos or news. To protect rankings, existing works mainly develop privacy protection on a single ranking within a set of ranking or pairwise comparisons of a ranking under the $\epsilon$-differential privacy. This paper proposes a novel notion called $\epsilon$-ranking differential privacy for protecting ranks. We establish the connection between the Mallows model (Mallows, 1957) and the proposed $\epsilon$-ranking differential privacy. This allows us to develop a multistage ranking algorithm to generate synthetic rankings while satisfying the developed $\epsilon$-ranking differential privacy. Theoretical results regarding the utility of synthetic rankings in the downstream tasks, including the inference attack and the personalized ranking tasks, are established. For the inference attack, we quantify how $\epsilon$ affects the estimation of the true ranking based on synthetic rankings. For the personalized ranking task, we consider varying privacy preferences among users and quantify how their privacy preferences affect the consistency in estimating the optimal ranking function. Extensive numerical experiments are carried out to verify the theoretical results and demonstrate the effectiveness of the proposed synthetic ranking algorithm.
• Abstract（参考訳）: ランキングは様々な実生活シナリオで広く収集され、ビデオやニュースでのユーザの好みなどの個人情報が漏洩する。 ランキングを保護するために、既存の作業は、主に1つのランキングのセットまたは、$\epsilon$-differential privacyの下でランクのペア比較で、プライバシー保護を開発する。 本稿では,ランクを保護するために,$\epsilon$-level差分プライバシーという新しい概念を提案する。 我々は、mallows model (mallows, 1957) と提案されている$\epsilon$- ranking differential privacy との接続を確立する。 これにより、開発した$\epsilon$-level差分プライバシーを満足しながら、合成ランキングを生成するマルチステージランキングアルゴリズムを開発することができる。 予測攻撃やパーソナライズされたランキングタスクを含む下流タスクにおける合成ランキングの有用性に関する理論的結果を確立した。 推論攻撃のために、$\epsilon$が真のランキングの推定にどのように影響するかを合成ランキングに基づいて定量化する。 パーソナライズされたランキングタスクでは,ユーザ間のプライバシ嗜好の変化を検討し,そのプライバシ嗜好が最適なランキング関数の推定における一貫性に与える影響を定量化する。 理論結果を検証し,提案する合成ランキングアルゴリズムの有効性を実証するために,広範な数値実験を行った。

関連論文リスト

• Rate-Optimal Rank Aggregation with Private Pairwise Rankings [12.511220449652384]
  我々は、ペアのランキングに基づいてランクアグリゲーションの実用性を確保しつつ、プライバシを保護するという課題に対処する。 そこで本研究では,ランダム化応答機構からランキングを適応的にデバイアスする手法を提案する。
  論文  参考訳（メタデータ） (2024-02-26T18:05:55Z)
• Stability and Multigroup Fairness in Ranking with Uncertain Predictions [61.76378420347408]
  我々の研究はランキング関数について考察している。分類タスクの個々の予測からランキング上の分布へのマップ。 ランキング関数の2つの側面、すなわち予測における摂動に対する安定性と、個人とサブグループの両方に対する公正性に焦点を当てる。 我々の研究は、不確実性に敏感なランキングが、グループと個人レベルの公正性の保証とを自然に補間していることを示している。
  論文  参考訳（メタデータ） (2024-02-14T17:17:05Z)
• Mean Estimation Under Heterogeneous Privacy: Some Privacy Can Be Free [13.198689566654103]
  本研究は,異種差分プライバシー制約に基づく平均推定の問題について考察する。 提案するアルゴリズムは,プライバシレベルが異なる2つのユーザグループが存在する場合に,ミニマックス最適であることが示されている。
  論文  参考訳（メタデータ） (2023-04-27T05:23:06Z)
• Privacy-Preserving Fair Item Ranking [13.947606247944597]
  この研究は、プロデューサ(イテム)公正性とコンシューマ(ユーザ)プライバシ(ランク付け)の連携で研究を進める最初のものである。 われわれの研究は、アモートされた注意ランキングの仕組みをプライバシー保護に拡張し、その効果をプライバシー、公正性、ランキング品質で評価する。
  論文  参考訳（メタデータ） (2023-03-06T06:21:20Z)
• 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)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• 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)
• On the Linear Ordering Problem and the Rankability of Data [0.0]
  線形度合いを使用して、データの割合が最適なランキングと一致するかを定量化します。 スポーツの文脈では、これはランキングが後から正確に予測できるゲームの数に類似している。 LOPを用いて計算した最適ランキングは、ランキングの後方精度を最大化することを示す。
  論文  参考訳（メタデータ） (2021-04-12T21:05:17Z)
• 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)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。