論文の概要: Differentially Private Synthetic Data Using KD-Trees

• arxiv url: http://arxiv.org/abs/2306.13211v1
• Date: Mon, 19 Jun 2023 17:08:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:56:35.184980
• Title: Differentially Private Synthetic Data Using KD-Trees
• Title（参考訳）: KD-Treesを用いた個人差分合成データ
• Authors: Eleonora Krea\v{c}i\'c, Navid Nouri, Vamsi K. Potluru, Tucker Balch, Manuela Veloso
• Abstract要約: ノイズ摂動とともに空間分割技術を活用し,直観的かつ透過的なアルゴリズムを実現する。 我々は、$epsilon$-differentially private synthesis data generationのためのデータ独立アルゴリズムとデータ依存アルゴリズムの両方を提案する。 先行研究に対して実証的な実用性向上を示すとともに,実データセット上の下流分類タスクにおけるアルゴリズムの性能について考察する。
• 参考スコア（独自算出の注目度）: 11.96971298978997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creation of a synthetic dataset that faithfully represents the data distribution and simultaneously preserves privacy is a major research challenge. Many space partitioning based approaches have emerged in recent years for answering statistical queries in a differentially private manner. However, for synthetic data generation problem, recent research has been mainly focused on deep generative models. In contrast, we exploit space partitioning techniques together with noise perturbation and thus achieve intuitive and transparent algorithms. We propose both data independent and data dependent algorithms for $\epsilon$-differentially private synthetic data generation whose kernel density resembles that of the real dataset. Additionally, we provide theoretical results on the utility-privacy trade-offs and show how our data dependent approach overcomes the curse of dimensionality and leads to a scalable algorithm. We show empirical utility improvements over the prior work, and discuss performance of our algorithm on a downstream classification task on a real dataset.
• Abstract（参考訳）: データの分散を忠実に表現し、同時にプライバシを保存する合成データセットの作成は、大きな研究課題である。 空間分割に基づくアプローチは近年、統計的にプライベートな方法で答える手法が数多く登場している。 しかし, 合成データ生成問題においては, 主に深部生成モデルに焦点が当てられている。 対照的に,空間分割法と雑音摂動法を併用することにより,直感的かつ透明なアルゴリズムを実現する。 我々は,カーネル密度が実データセットに類似した$\epsilon$-differentially private synthetic data generationのためのデータ独立アルゴリズムとデータ依存アルゴリズムの両方を提案する。 さらに、ユーティリティとプライバシのトレードオフに関する理論的結果を提供し、我々のデータ依存アプローチが次元の呪いを克服し、スケーラブルなアルゴリズムにつながることを示す。 我々は,先行研究よりも実証的な実用性の向上を示し,実際のデータセット上の下流分類タスクにおけるアルゴリズムの性能について考察する。

関連論文リスト

• Differentially Private Synthetic High-dimensional Tabular Stream [7.726042106665366]
  本稿では,複数の合成データセットを時間とともに生成するデータストリーミングのためのアルゴリズムフレームワークを提案する。 我々のアルゴリズムは入力ストリーム全体の差分プライバシーを満たす。 実世界のデータセットを用いた実験により,本手法の有用性を示す。
  論文  参考訳（メタデータ） (2024-08-31T01:31:59Z)
• Differentially Private Synthetic Data with Private Density Estimation [2.209921757303168]
  我々は、差分プライバシーの枠組みを採用し、データセット全体を生成するメカニズムを探究する。 我々はBoedihardjoらの研究に基づいて、プライベートな合成データを生成するための新しい最適化ベースのアルゴリズムの基礎を築いた。
  論文  参考訳（メタデータ） (2024-05-06T14:06:12Z)
• An Algorithm for Streaming Differentially Private Data [7.726042106665366]
  我々は、特に空間データセットに対して計算された、微分プライベートな合成ストリーミングデータ生成のためのアルゴリズムを導出する。 本アルゴリズムの有効性は実世界とシミュレーションデータセットの両方で検証される。
  論文  参考訳（メタデータ） (2024-01-26T00:32:31Z)
• 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)
• On the Inherent Privacy Properties of Discrete Denoising Diffusion Models [17.773335593043004]
  本稿では、離散拡散モデルに固有のプライバシー保護の先駆的な理論的探索について述べる。 我々のフレームワークは、トレーニングデータセット内の各データポイントの潜在的なプライバシー漏洩を解明する。 当社のバウンダリは、$$$サイズのデータポイントによるトレーニングが、プライバシー漏洩の急増につながっていることも示しています。
  論文  参考訳（メタデータ） (2023-10-24T05:07:31Z)
• 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)
• Differentially Private Algorithms for Synthetic Power System Datasets [0.0]
  電力システムの研究は、現実世界のネットワークデータセットの可用性に依存している。 データ所有者は、セキュリティとプライバシーのリスクのためにデータを共有することをためらっている。 我々は、最適化と機械学習データセットの合成生成のためのプライバシー保護アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-20T13:38:58Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。