論文の概要: The Impact of De-Identification on Single-Year-of-Age Counts in the U.S.
Census
- arxiv url: http://arxiv.org/abs/2308.12876v1
- Date: Thu, 24 Aug 2023 15:56:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 13:25:37.217835
- Title: The Impact of De-Identification on Single-Year-of-Age Counts in the U.S.
Census
- Title(参考訳): 米国国勢調査における脱同定が1歳数に与える影響
- Authors: Sarah Radway and Miranda Christ
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.6114012813668932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In 2020, the U.S. Census Bureau transitioned from data swapping to
differential privacy (DP) in its approach to de-identifying decennial census
data. This decision has faced considerable criticism from data users,
particularly due to concerns about the accuracy of DP. We compare the relative
impacts of swapping and DP on census data, focusing on the use case of school
planning, where single-year-of-age population counts (i.e., the number of
four-year-olds in the district) are used to estimate the number of incoming
students and make resulting decisions surrounding faculty, classrooms, and
funding requests. We examine these impacts for school districts of varying
population sizes and age distributions.
Our findings support the use of DP over swapping for single-year-of-age
counts; in particular, concerning behaviors associated with DP (namely, poor
behavior for smaller districts) occur with swapping mechanisms as well. For the
school planning use cases we investigate, DP provides comparable, if not
improved, accuracy over swapping, while offering other benefits such as
improved transparency.
- Abstract(参考訳): 2020年、アメリカ合衆国国勢調査局はデータ交換からディファレンシャル・プライバシ(dp)に移行し、年次国勢調査データを非識別化した。
この決定は、特にDPの正確性に関する懸念から、データユーザーからかなりの批判を受けてきた。
本研究では,学齢1歳以上の生徒数(学区内の4歳児数)を推定し,学部,教室,資金提供の要請を取り巻く意思決定を行う学校計画のユースケースに着目して,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。
これらの影響を,人口規模や年齢分布の異なる学区を対象に検討した。
以上の結果から,1年数での交換よりもDPの活用が支持され,特にDPに関連する行動(小地区の動作不良)はスワッピング機構によっても引き起こされることが明らかとなった。
私たちが調査する学校計画のユースケースでは、dpはスワップよりも精度が向上するが、透明性の向上など他のメリットも提供する。
関連論文リスト
- The Complexities of Differential Privacy for Survey Data [0.0]
アメリカ合衆国国勢調査局は、2020年12月の国勢調査にこの概念を採用したと発表した。
その魅力的な理論的特性にもかかわらず、実際にDPを実装することは、特に調査データに関して難しいままである。
調査の文脈でDPを採用する際に考慮すべき5つの側面を識別する。
論文 参考訳(メタデータ) (2024-08-13T16:15:42Z) - Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。
ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。
我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
論文 参考訳(メタデータ) (2024-08-08T08:37:37Z) - Selectivity Drives Productivity: Efficient Dataset Pruning for Enhanced
Transfer Learning [66.20311762506702]
データセットプルーニング(DP)は、データ効率を改善する効果的な方法として登場した。
本稿では,ラベルマッピングと特徴マッピングという2つの新しいDP手法を提案する。
ダウンストリーム性能を犠牲にすることなく、ソースデータクラスを最大40%まで刈り取ることができることを示す。
論文 参考訳(メタデータ) (2023-10-13T00:07:49Z) - Impacts of Differential Privacy on Fostering more Racially and
Ethnically Diverse Elementary Schools [18.35063779220618]
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。
論文 参考訳(メタデータ) (2023-05-12T21:06:15Z) - Mapping Urban Population Growth from Sentinel-2 MSI and Census Data
Using Deep Learning: A Case Study in Kigali, Rwanda [0.19116784879310023]
我々は,時間的集団動態を短時間で解き放つ深層学習変化検出技術の評価を行った。
Sentinel-2 MSIデータを用いた人口マッピングタスクで事前訓練されたResNetエンコーダを,シームズネットワークに組み込んだ。
このネットワークは人口変化を正確に予測するために国勢調査レベルで訓練された。
論文 参考訳(メタデータ) (2023-03-15T10:39:31Z) - Large Scale Transfer Learning for Differentially Private Image
Classification [51.10365553035979]
Differential Privacy(DP)は、個別のサンプルレベルのプライバシで機械学習モデルをトレーニングするための正式なフレームワークを提供する。
DP-SGDを用いたプライベートトレーニングは、個々のサンプル勾配にノイズを注入することで漏れを防ぐ。
この結果は非常に魅力的であるが,DP-SGDを用いた大規模モデルのトレーニングの計算コストは,非プライベートトレーニングよりもかなり高い。
論文 参考訳(メタデータ) (2022-05-06T01:22:20Z) - Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。
差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。
それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
論文 参考訳(メタデータ) (2022-01-24T02:45:03Z) - DP-SGD vs PATE: Which Has Less Disparate Impact on GANs? [0.0]
我々は、ディープラーニング、DP-SGD、PATEの2つのよく知られたDPフレームワークで訓練されたGANを、異なるデータ不均衡設定で比較する。
我々の実験は、PATEがDP-SGDと異なり、プライバシーとユーティリティのトレードオフは単調に減少していないことを一貫して示している。
論文 参考訳(メタデータ) (2021-11-26T17:25:46Z) - DP-SGD vs PATE: Which Has Less Disparate Impact on Model Accuracy? [1.3238373064156095]
差分プライバシーの適用、特にDP-SGDアルゴリズムは、人口の異なるサブグループに異なる影響を与えることを示す。
差分プライバシーを用いたディープラーニングモデルの学習機構であるPATEと、公平性の観点からDP-SGDを比較した。
論文 参考訳(メタデータ) (2021-06-22T20:37:12Z) - 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) - 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。