論文の概要: Impacts of Differential Privacy on Fostering more Racially and
Ethnically Diverse Elementary Schools
- arxiv url: http://arxiv.org/abs/2305.07762v1
- Date: Fri, 12 May 2023 21:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:57:46.291577
- Title: Impacts of Differential Privacy on Fostering more Racially and
Ethnically Diverse Elementary Schools
- Title(参考訳): 異質なプライバシーが人種的・民族的に多様な小学校の育成に及ぼす影響
- Authors: Keyu Zhu, Nabeel Gillani, Pascal Van Hentenryck
- Abstract要約: アメリカ合衆国国勢調査局は、2020年の国勢調査リリースの事実上のプライバシー保護標準である差分プライバシーを採用した。
この変更は、政治的再分権やその他の高額な慣行のような政策決定に影響を与える可能性がある。
このようなデータの未調査かつ重要な応用の1つは、人口隔離の少ない学校を育むために、学校に通う境界を再描画することである。
- 参考スコア(独自算出の注目度): 18.35063779220618
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the face of increasingly severe privacy threats in the era of data and AI,
the US Census Bureau has recently adopted differential privacy, the de facto
standard of privacy protection for the 2020 Census release. Enforcing
differential privacy involves adding carefully calibrated random noise to
sensitive demographic information prior to its release. This change has the
potential to impact policy decisions like political redistricting and other
high-stakes practices, partly because tremendous federal funds and resources
are allocated according to datasets (like Census data) released by the US
government. One under-explored yet important application of such data is the
redrawing of school attendance boundaries to foster less demographically
segregated schools. In this study, we ask: how differential privacy might
impact diversity-promoting boundaries in terms of resulting levels of
segregation, student travel times, and school switching requirements?
Simulating alternative boundaries using differentially-private student counts
across 67 Georgia districts, we find that increasing data privacy requirements
decreases the extent to which alternative boundaries might reduce segregation
and foster more diverse and integrated schools, largely by reducing the number
of students who would switch schools under boundary changes. Impacts on travel
times are minimal. These findings point to a privacy-diversity tradeoff local
educational policymakers may face in forthcoming years, particularly as
computational methods are increasingly poised to facilitate attendance boundary
redrawings in the pursuit of less segregated schools.
- Abstract(参考訳): データとAIの時代において、ますます厳しいプライバシーの脅威に直面している米国国勢調査局(US Census Bureau)は、2020 Censusリリースの事実上のプライバシー保護標準である差分プライバシーを採用した。
ディファレンシャルプライバシの強化は、リリース前にセンシティブな人口統計情報に注意深く調整されたランダムノイズを追加することを伴う。
この変更は、政府によって公表されたデータセット(国勢調査データなど)に基づいて、巨大な連邦資金と資源が割り当てられていることもあって、政治的再分権などの政策決定に影響を与える可能性がある。
このようなデータの未調査かつ重要な応用の1つは、人口隔離の少ない学校を育むために、学校に通う境界を再描画することである。
本研究では, 偏析, 学生の移動時間, 学校切り替え要求のレベルにおいて, 微分プライバシーが多様性向上のバウンダリにどのように影響するかを問う。
ジョージアの67の地区にまたがる差動プライベートな生徒数を用いて、別の境界をシミュレートすることで、データのプライバシー要件の増大は、別の境界が分離を減少させ、より多様で統合的な学校を育む程度を減少させる。
旅行時間への影響は最小限である。
これらの調査結果は、地方教育政策立案者が今後数年で直面するプライバシーと多様性のトレードオフを示唆している。
関連論文リスト
- The Impact of De-Identification on Single-Year-of-Age Counts in the U.S.
Census [1.6114012813668932]
2020年、アメリカ合衆国国勢調査局は、データスワッピングからディファレンシャル・プライバシ(DP)に移行した。
学校計画の活用事例に着目し,スワップとDPが国勢調査データに与える影響を比較検討した。
以上の結果から, DP を1 年数に置き換える上でのDP の利用が期待できる。
私たちが調査した学校の計画ユースケースでは、DPは、改善されていないとしても同等の精度で、スワップよりも正確であり、透明性の改善など他のメリットを提供します。
論文 参考訳(メタデータ) (2023-08-24T15:56:05Z) - All a-board: sharing educational data science research with school
districts [20.799163734027466]
ランダム化された電子メールのアウトリーチ実験と調査を行い、地方教育学区が境界変化にどう反応するかを調査した。
800以上の教育学区の約4,320人の教育委員会委員が、潜在的な境界変更を知らせた。
この研究のメディア報道は、特に分離された地域では、ダッシュボードのエンゲージメントを高めている。
論文 参考訳(メタデータ) (2023-04-18T13:03:05Z) - Redrawing attendance boundaries to promote racial and ethnic diversity
in elementary schools [31.737460075609103]
合衆国のほとんどの教育学区は、生徒を自宅近くの学校に割り当てるために「通学境界」を描いている。
我々は、小学生300万人以上を対象とする98の教育学区の代替的境界をシミュレートする。
以上の結果から,家族にとって大きな混乱を伴わない統合の可能性が示唆された。
論文 参考訳(メタデータ) (2023-03-14T02:50:40Z) - On Differentially Private Online Predictions [74.01773626153098]
オンラインプロセスを扱うために,共同微分プライバシーのインタラクティブなバリエーションを導入する。
グループプライバシ、コンポジション、ポストプロセッシングの(適切なバリエーション)を満たすことを実証する。
次に、オンライン分類の基本設定において、インタラクティブな共同プライバシーのコストについて検討する。
論文 参考訳(メタデータ) (2023-02-27T19:18:01Z) - Considerations for Differentially Private Learning with Large-Scale
Public Pretraining [58.75893136929649]
大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。
Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。
公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
論文 参考訳(メタデータ) (2022-12-13T10:41:12Z) - 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) - Momentum Gradient Descent Federated Learning with Local Differential
Privacy [10.60240656423935]
ビッグデータの時代、個人情報のプライバシーはより顕著になった。
本稿では,機械学習モデルの性能向上のために,フェデレーション学習と局所差分プライバシーをモーメント勾配勾配下で統合することを提案する。
論文 参考訳(メタデータ) (2022-09-28T13:30:38Z) - In Differential Privacy, There is Truth: On Vote Leakage in Ensemble
Private Learning [42.34839009553982]
本研究では,PATE予測を行うノイズを用いることで,機密情報の漏洩の新たな形態を実現できることを示す。
我々の敵は、この事実を利用して、基礎となる教師が提出した投票の高忠実度ヒストグラムを抽出する。
これは、差別的なプライバシーをパナセアとして扱うのではなく、プライバシーを公平に考慮する将来の作業を促進することを願っている。
論文 参考訳(メタデータ) (2022-09-22T02:07:21Z) - Mixed Differential Privacy in Computer Vision [133.68363478737058]
AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。
プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
論文 参考訳(メタデータ) (2022-03-22T06:15:43Z) - Voting-based Approaches For Differentially Private Federated Learning [87.2255217230752]
この研究はPapernotらによる非フェデレーションプライバシ学習の知識伝達にインスパイアされている。
我々は,各局所モデルから返されるデータラベル間で投票を行うことで,勾配を平均化する代わりに2つの新しいDPFLスキームを設計する。
我々のアプローチはDPFLの最先端技術に対するプライバシーとユーティリティのトレードオフを大幅に改善します。
論文 参考訳(メタデータ) (2020-10-09T23:55:19Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-09-18T20:18:35Z)
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。