論文の概要: Samplable Anonymous Aggregation for Private Federated Data Analysis
- arxiv url: http://arxiv.org/abs/2307.15017v1
- Date: Thu, 27 Jul 2023 17:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 13:42:12.001969
- Title: Samplable Anonymous Aggregation for Private Federated Data Analysis
- Title(参考訳): 個人フェデレーションデータ分析のためのsamplable匿名アグリゲーション
- Authors: Kunal Talwar, Shan Wang, Audra McMillan, Vojta Jina, Vitaly Feldman,
Bailey Basile, Aine Cahill, Yi Sheng Chan, Mike Chatzidakis, Junye Chen,
Oliver Chick, Mona Chitnis, Suman Ganta, Yusuf Goren, Filip Granqvist,
Kristine Guo, Frederic Jacobs, Omid Javidbakht, Albert Liu, Richard Low, Dan
Mascenik, Steve Myers, David Park, Wonhee Park, Gianni Parsa, Tommy Pauly,
Christian Priebe, Rehan Rishi, Guy Rothblum, Michael Scaria, Linmao Song,
Congzheng Song, Karl Tarbe, Sebastian Vogt, Luke Winstrom, Shundong Zhou
- Abstract要約: 我々は、各デバイスがプライベートデータを保持する際に、プライベート統計とプライベートフェデレーション学習のためのスケーラブルなプロトコルを設計する問題について再考する。
最初のコントリビューションは、複数のよく使われるアルゴリズムを効率的に実装できるシンプルなプリミティブを提案することである。
次に,このプリミティブを実装し,システムに対するセキュリティ解析を行うシステムアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 28.203692886430158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We revisit the problem of designing scalable protocols for private statistics
and private federated learning when each device holds its private data. Our
first contribution is to propose a simple primitive that allows for efficient
implementation of several commonly used algorithms, and allows for privacy
accounting that is close to that in the central setting without requiring the
strong trust assumptions it entails. Second, we propose a system architecture
that implements this primitive and perform a security analysis of the proposed
system.
- Abstract(参考訳): 各デバイスがプライベートデータを保持した場合、プライベート統計とプライベートフェデレーション学習のためのスケーラブルなプロトコルを設計する問題を再検討する。
最初のコントリビューションは、複数のよく使われるアルゴリズムを効率的に実装できるシンプルなプリミティブを提案し、それに関連する強い信頼の前提を必要とせずに、中央設定でそれに近いプライバシー会計を可能にすることです。
次に,このプリミティブを実装し,提案するシステムのセキュリティ解析を行うシステムアーキテクチャを提案する。
関連論文リスト
- Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳(メタデータ) (2024-03-19T17:54:49Z) - Privacy-Preserving Matrix Factorization for Recommendation Systems using
Gaussian Mechanism [2.84279467589473]
本稿では,差分プライバシーフレームワークと行列因数分解に基づくプライバシ保護レコメンデーションシステムを提案する。
差分プライバシーは、プライバシを保存する機械学習アルゴリズムを設計するための強力で堅牢な数学的フレームワークであるため、敵が機密性の高いユーザー情報を抽出するのを防ぐことができる。
論文 参考訳(メタデータ) (2023-04-11T13:50:39Z) - Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
プライベート機械学習では、既存の監査メカニズムは厳格である。
彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。
我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
論文 参考訳(メタデータ) (2023-02-15T21:40:33Z) - On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。
差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。
アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
論文 参考訳(メタデータ) (2023-02-11T14:45:31Z) - Differentially-Private Data Synthetisation for Efficient Re-Identification Risk Control [3.8811062755861956]
$epsilon$-PrivateSMOTEは、再識別とリンケージ攻撃を防ぐためのテクニックである。
提案手法は,ノイズに起因した逆数による合成データ生成と,高リスクケースを難読化するための差分プライバシー原則を組み合わせたものである。
論文 参考訳(メタデータ) (2022-12-01T13:20:37Z) - Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。
我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文 参考訳(メタデータ) (2022-08-12T06:52:55Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳(メタデータ) (2022-07-19T05:47:30Z) - Private measures, random walks, and synthetic data [7.5764890276775665]
微分プライバシーは、情報理論のセキュリティ保証を提供する数学的概念である。
我々は、プライベートな合成データを効率的に構築できるデータセットからプライベートな尺度を開発する。
我々の構築における重要な要素は、独立確率変数と同様の連立分布を持つ新しい超規則ランダムウォークである。
論文 参考訳(メタデータ) (2022-04-20T00:06:52Z) - Robust and Differentially Private Mean Estimation [40.323756738056616]
異なるプライバシーは、米国国勢調査から商用デバイスで収集されたデータまで、さまざまなアプリケーションで標準要件として浮上しています。
このようなデータベースの数は、複数のソースからのデータからなり、それらすべてが信頼できるわけではない。
これにより、既存のプライベート分析は、腐敗したデータを注入する敵による攻撃に弱い。
論文 参考訳(メタデータ) (2021-02-18T05:02:49Z) - 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。