論文の概要: On the $f$-Differential Privacy Guarantees of Discrete-Valued Mechanisms
- arxiv url: http://arxiv.org/abs/2302.09624v1
- Date: Sun, 19 Feb 2023 16:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 17:34:36.784130
- Title: On the $f$-Differential Privacy Guarantees of Discrete-Valued Mechanisms
- Title(参考訳): 離散価値メカニズムの「f$-differential privacy guarantees」について
- Authors: Richeng Jin, Zhonggen Su, Caijun Zhong, Zhaoyang Zhang, Tony Quek,
Huaiyu Dai
- Abstract要約: 差分プライバシー(DP)レンズにおける有限出力空間を有する離散値機構のプライバシー保証について検討する。
我々は、差分プライバシー、ビザンチンレジリエンス、通信効率のトレードオフを特徴づける。
- 参考スコア(独自算出の注目度): 51.685453710198914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a federated data analytics problem in which a server coordinates
the collaborative data analysis of multiple users with privacy concerns and
limited communication capability. The commonly adopted compression schemes
introduce information loss into local data while improving communication
efficiency, and it remains an open question whether such discrete-valued
mechanisms provide any privacy protection. Considering that differential
privacy has become the gold standard for privacy measures due to its simple
implementation and rigorous theoretical foundation, in this paper, we study the
privacy guarantees of discrete-valued mechanisms with finite output space in
the lens of $f$-differential privacy (DP). By interpreting the privacy leakage
as a hypothesis testing problem, we derive the closed-form expression of the
tradeoff between type I and type II error rates, based on which the $f$-DP
guarantees of a variety of discrete-valued mechanisms, including binomial
mechanisms, sign-based methods, and ternary-based compressors, are
characterized. We further investigate the Byzantine resilience of binomial
mechanisms and ternary compressors and characterize the tradeoff among
differential privacy, Byzantine resilience, and communication efficiency.
Finally, we discuss the application of the proposed method to differentially
private stochastic gradient descent in federated learning.
- Abstract(参考訳): 本稿では,複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整するフェデレーションデータ分析問題を考える。
一般に採用されている圧縮スキームは、通信効率を向上しながら、ローカルデータに情報損失を導入しており、そのような離散値のメカニズムがプライバシー保護を提供するかどうかには疑問が残る。
本稿では,その簡単な実装と厳密な理論的基礎により,プライバシー対策の金本位になったことを考慮し,f$-differential privacy (dp) のレンズに有限出力空間を持つ離散値機構のプライバシー保証について検討する。
プライバシリークを仮説検証問題として解釈することにより,二項機構,符号ベース手法,三元系圧縮機など,様々な離散値機構の$f$-dpが保証されるタイプiとタイプiiのトレードオフのクローズドフォーム表現を導出する。
さらに,二項機構と三項圧縮機のビザンチン弾性について検討し,微分プライバシー,ビザンチン弾性,通信効率のトレードオフを特徴付ける。
最後に,フェデレート学習における確率勾配勾配の差分化に対する提案手法の適用について論じる。
関連論文リスト
- Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。
本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
論文 参考訳(メタデータ) (2024-03-07T21:22:07Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳(メタデータ) (2024-02-16T16:41:14Z) - Summary Statistic Privacy in Data Sharing [23.50797952699759]
本研究では,データ配信の要約統計を明らかにすることなく,データ保持者が受信者とデータを共有したい状況について検討する。
このようなメカニズムのプライバシーリスクを定量化するための指標である統計プライバシーの要約を提案する。
提案した量子化メカニズムは、代替プライバシメカニズムよりも優れたプライバシー歪曲トレードオフを実現する。
論文 参考訳(メタデータ) (2023-03-03T15:29:19Z) - On the Privacy-Robustness-Utility Trilemma in Distributed Learning [7.778461949427662]
本稿では,少数の対向マシンに対してロバスト性を保証するアルゴリズムによって得られた誤差を,まず厳密に解析する。
私たちの分析は、プライバシ、堅牢性、ユーティリティの基本的なトレードオフを示しています。
論文 参考訳(メタデータ) (2023-02-09T17:24:18Z) - 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) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳(メタデータ) (2022-05-08T14:38:23Z) - Optimal and Differentially Private Data Acquisition: Central and Local
Mechanisms [9.599356978682108]
プライバシに敏感なユーザからデータを収集するプラットフォームの問題を考え,その基盤となる関心パラメータを推定する。
ユーザに対して、プライバシ保証を提供するための2つの一般的な差分プライバシ設定について検討する。
このメカニズム設計問題は,ユーザのプライバシ感を真に報告するための推定器と支払器の最適選択として機能する。
論文 参考訳(メタデータ) (2022-01-10T00:27:43Z) - Combining Public and Private Data [7.975795748574989]
分散を最小化するために最適化された平均の混合推定器を導入する。
ユーザのプライバシニーズに比例してデータをサブサンプリングすることで、個人のプライバシを保護する手法よりも、当社のメカニズムの方が望ましい、と我々は主張する。
論文 参考訳(メタデータ) (2021-10-29T23:25:49Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳(メタデータ) (2020-10-23T10:35:35Z)
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。