論文の概要: Random (Un)rounding : Vulnerabilities in Discrete Attribute Disclosure in the 2021 Canadian Census

• arxiv url: http://arxiv.org/abs/2307.13859v3
• Date: Wed, 19 Mar 2025 15:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:19:26.543707
• Title: Random (Un)rounding : Vulnerabilities in Discrete Attribute Disclosure in the 2021 Canadian Census
• Title（参考訳）: ランダム(アン)を取り巻く : 2021年カナダ国勢調査における離散属性開示の脆弱性
• Authors: Christopher West, Vecna, Raiyan Chowdhury,
• Abstract要約: 2021年カナダの国勢調査では、独立して確率的に離散的な数値を丸め、独自の形でランダムなラウンドリングを採用している。 ラウンド前に、元のプライベート値を"アンラウンド"し、抽出することが可能であることを示す。 また、1000以上のプライベート属性の潜在的な値を高い精度で推測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The 2021 Canadian census is notable for using a unique form of privacy, random rounding, which independently and probabilistically rounds discrete numerical attribute values. In this work, we explore how hierarchical summative correlation between discrete variables allows for both probabilistic and exact solutions to attribute values in the 2021 Canadian Census disclosure. We demonstrate that, in some cases, it is possible to "unround" and extract the original private values before rounding, both in the presence and absence of provided population invariants. Using these methods, we expose the exact value of 624 previously private attributes in the 2021 Canadian census disclosure. We also infer the potential values of more than 1000 private attributes with a high probability of correctness. Finally, we propose how a simple solution based on unbounded discrete noise can effectively negate exact unrounding while maintaining high utility in the final product.
• Abstract（参考訳）: 2021年のカナダ国勢調査は、独立して確率的に離散的な数値特性値を取り巻く、独特な形のプライバシー、ランダムなラウンドリングを使うことで有名である。 本研究では,2021年のカナダ国勢調査開示において,離散変数間の階層的累積相関が,属性値の確率的および正確な解の両立にどのように寄与するかを考察する。 また, ある場合において, 提供された個体群不変量の存在と欠如の両方において, 初期私的価値を「包含」し, 抽出することが可能であることを実証した。 これらの手法を用いて、2021年のカナダ国勢調査における624件の個人属性の正確な値を明らかにする。 また、1000以上のプライベート属性の潜在的な値を高い精度で推測する。 最後に、非有界離散雑音に基づく単純な解が、最終製品において高い実用性を維持しつつ、正確に取り外しを効果的に無効にする方法を提案する。

関連論文リスト

• Formal Privacy Guarantees with Invariant Statistics [8.133739801185271]
  2020年の米国国勢調査製品に触発されたこの論文は、DP出力と非民間統計の共同リリースに対応するために、差分プライバシー(DP)を拡張した。 私たちのフレームワークであるSemi-DPは、与えられた不変量に対応するデータセットに焦点を当てることで、隣接性を再定義します。 我々は、Semi-DPフレームワークを使用して、2020年12月の米国国勢調査のプライバシー分析を行い、効果的なプライバシー保証が広告よりも弱いことを明らかにした。
  論文  参考訳（メタデータ） (2024-10-22T22:50:17Z)
• Enhanced Privacy Bound for Shuffle Model with Personalized Privacy [32.08637708405314]
  Differential Privacy(DP)は、ローカルユーザと中央データキュレーターの間の中間信頼サーバを導入する、強化されたプライバシプロトコルである。 これは、局所的にランダム化されたデータを匿名化しシャッフルすることで、中央のDP保証を著しく増幅する。 この研究は、各ユーザーごとにパーソナライズされたローカルプライバシを必要とする、より実践的な設定のために、中央のプライバシ境界を導出することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-25T16:11:56Z)
• Mean Estimation with User-level Privacy under Data Heterogeneity [54.07947274508013]
  異なるユーザーは、非常に多くの異なるデータポイントを持っているかもしれない。 すべてのユーザが同じディストリビューションからサンプルを採取していると仮定することはできない。 本研究では,データの分布と量の両方でユーザデータが異なる異質なユーザデータの単純なモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:02:39Z)
• A Bias-Accuracy-Privacy Trilemma for Statistical Estimation [16.365507345447803]
  任意の分布に対して,バイアスが低く,エラーが低く,プライバシ損失が低いアルゴリズムは存在しない。 偏りのない平均推定は、より寛容な差分プライバシーの概念の下で可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-30T23:40:20Z)
• Regression with Label Differential Privacy [64.21020761920322]
  与えられた回帰損失関数の下で最適なラベルDPランダム化機構を導出する。 我々は、最適メカニズムが「ビンのランダム化応答」の形をとることを証明した。
  論文  参考訳（メタデータ） (2022-12-12T17:41:32Z)
• 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)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling [49.43288037509783]
  ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。 私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
  論文  参考訳（メタデータ） (2020-12-23T17:07:26Z)
• Strongly universally consistent nonparametric regression and classification with privatised data [2.879036956042183]
  非パラメトリック回帰の古典的問題を再考するが、局所的な差分プライバシー制約を課す。 我々は回帰関数の新しい推定器を設計し、よく研究された分割回帰推定器の民営版とみなすことができる。
  論文  参考訳（メタデータ） (2020-10-31T09:00:43Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。