論文の概要: Generalized Rainbow Differential Privacy

• arxiv url: http://arxiv.org/abs/2309.05871v1
• Date: Mon, 11 Sep 2023 23:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 06:53:05.882422
• Title: Generalized Rainbow Differential Privacy
• Title（参考訳）: 一般化レインボー微分プライバシー
• Authors: Yuzhou Gu, Ziqi Zhou, Onur Günlü, Rafael G. L. D'Oliveira, Parastoo Sadeghi, Muriel Médard, Rafael F. Schaefer,
• Abstract要約: ランダムなグラフカラー化による微分プライベート(DP)機構を設計するための新しい枠組みについて検討する。 このフレームワークでは、データセットはグラフのノードであり、2つの隣接するデータセットはエッジで接続される。 そのような領域の境界にあるDP機構が固定され、すべての同じ領域の境界データセットに対して同一に振る舞う場合、ユニークな$(epsilon,delta)$-DPメカニズムが存在することを示す。
• 参考スコア（独自算出の注目度）: 46.2876613627697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a new framework for designing differentially private (DP) mechanisms via randomized graph colorings, called rainbow differential privacy. In this framework, datasets are nodes in a graph, and two neighboring datasets are connected by an edge. Each dataset in the graph has a preferential ordering for the possible outputs of the mechanism, and these orderings are called rainbows. Different rainbows partition the graph of connected datasets into different regions. We show that if a DP mechanism at the boundary of such regions is fixed and it behaves identically for all same-rainbow boundary datasets, then a unique optimal $(\epsilon,\delta)$-DP mechanism exists (as long as the boundary condition is valid) and can be expressed in closed-form. Our proof technique is based on an interesting relationship between dominance ordering and DP, which applies to any finite number of colors and for $(\epsilon,\delta)$-DP, improving upon previous results that only apply to at most three colors and for $\epsilon$-DP. We justify the homogeneous boundary condition assumption by giving an example with non-homogeneous boundary condition, for which there exists no optimal DP mechanism.
• Abstract（参考訳）: 偏微分プライバシーと呼ばれるランダムなグラフカラー化により,DP機構を設計するための新しい枠組みについて検討する。 このフレームワークでは、データセットはグラフのノードであり、2つの隣接するデータセットはエッジで接続される。 グラフの各データセットは、メカニズムの出力を優先的に順序付けしており、これらの順序付けは虹と呼ばれる。 異なる虹色は、接続されたデータセットのグラフを異なる領域に分割する。 そのような領域の境界におけるDP機構が固定され、すべての同じレインボー境界データセットに対して同一に振る舞う場合、(境界条件が有効である限り)一意の最適$(\epsilon,\delta)$-DP機構が存在し、閉形式で表現できることを示す。 提案手法は,任意の有限色および$(\epsilon,\delta)$-DPに対して適用される支配順序とDPの興味深い関係に基づいており,従来の3色のみに適用される場合と$(\epsilon,\delta)$-DPの場合は$\epsilon$-DPに対してのみ適用可能である。 我々は、最適DP機構が存在しない非均一境界条件の例を与えることによって、同次境界条件の仮定を正当化する。

関連論文リスト

• Clip Body and Tail Separately: High Probability Guarantees for DPSGD with Heavy Tails [20.432871178766927]
  Differentially Private Gradient Descent (DPSGD)は、ディープラーニングにおけるトレーニングデータのプライバシを保護するために広く利用されている。 DPSGDは、標準への勾配をクリップし、訓練手順に校正されたノイズを注入する。 本稿では,2つの重要な反復を含む新しい手法であるDPSGDを提案する。
  論文  参考訳（メタデータ） (2024-05-27T16:30:11Z)
• Differentially Private Gradient Flow based on the Sliced Wasserstein Distance [59.1056830438845]
  本稿では,確率測度空間の勾配流に基づく新しい微分プライベートな生成モデリング手法を提案する。 実験により,提案モデルが低プライバシー予算で高忠実度データを生成可能であることが示された。
  論文  参考訳（メタデータ） (2023-12-13T15:47:30Z)
• DIFF2: Differential Private Optimization via Gradient Differences for Nonconvex Distributed Learning [58.79085525115987]
  以前の研究でよく知られたユーティリティ境界は$widetilde O(d2/3/(nvarepsilon_mathrmDP)4/3)$である。 本稿では,差分プライベートフレームワークを構築した mphDIFF2 (DIFFerential private via DIFFs) という新しい差分プライベートフレームワークを提案する。 大域的な降下を持つ$mphDIFF2は$widetilde O(d2/3/(nvarepsilon_mathrmDP)4/3の効用を達成する
  論文  参考訳（メタデータ） (2023-02-08T05:19:01Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• Rainbow Differential Privacy [26.832334986198248]
  ランダムなグラフカラー化により、微分プライベートなメカニズムを設計するためのフレームワークを拡張する。 この設定では、各データセットがメカニズムの出力を優先的に順序付けしていると仮定する。 DPメカニズムがこれらの領域の境界で事前に特定されている場合、少なくとも1つの最適メカニズムが存在することを示す。
  論文  参考訳（メタデータ） (2022-02-08T16:28:55Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Bayesian Inference of Random Dot Product Graphs via Conic Programming [1.7188280334580195]
  本稿では,ランダムドット積グラフ(RDPG)の潜在確率行列を推定する凸コーンプログラムを提案する。 また、この手法がケイトクラブグラフと米国上院の投票グラフの潜在構造を復元することを示した。
  論文  参考訳（メタデータ） (2021-01-06T18:29:37Z)
• Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
  深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。 既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。 本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:35:24Z)
• Evading Curse of Dimensionality in Unconstrained Private GLMs via Private Gradient Descent [27.729293699332793]
  我々は、よく研究された微分プライベートな経験的リスク(ERM)問題を再考する。 制約のない一般化線形モデル(GLM)の場合、過剰な経験的リスクが得られることを示す。
  論文  参考訳（メタデータ） (2020-06-11T20:07:09Z)

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。