論文の概要: Truncated Laplace and Gaussian mechanisms of RDP

• arxiv url: http://arxiv.org/abs/2309.12647v1
• Date: Fri, 22 Sep 2023 06:37:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 04:01:03.346282
• Title: Truncated Laplace and Gaussian mechanisms of RDP
• Title（参考訳）: RDPの切断ラプラスとガウス機構
• Authors: Jie Fu, Zhiyu Sun, Haitao Liu, Zhili Chen,
• Abstract要約: ラプラス機構とガウス機構は、微分プライバシーの主要なメカニズムである。 無限範囲の確率変数によって、ラプラスとガウスのメカニズムは、負数のような意味的に不可能な値を返すことができる。
• 参考スコア（独自算出の注目度）: 28.227024132603123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Laplace mechanism and the Gaussian mechanism are primary mechanisms in differential privacy, widely applicable to many scenarios involving numerical data. However, due to the infinite-range random variables they generate, the Laplace and Gaussian mechanisms may return values that are semantically impossible, such as negative numbers. To address this issue, we have designed the truncated Laplace mechanism and Gaussian mechanism. For a given truncation interval [a, b], the truncated Gaussian mechanism ensures the same Renyi Differential Privacy (RDP) as the untruncated mechanism, regardless of the values chosen for the truncation interval [a, b]. Similarly, the truncated Laplace mechanism, for specified interval [a, b], maintains the same RDP as the untruncated mechanism. We provide the RDP expressions for each of them. We believe that our study can further enhance the utility of differential privacy in specific applications.
• Abstract（参考訳）: ラプラス機構とガウス機構は微分プライバシーの主要なメカニズムであり、数値データを含む多くのシナリオに適用できる。 しかし、それらが生成する無限範囲のランダム変数のため、ラプラスとガウスのメカニズムは、負数のような意味的に不可能な値を返すことができる。 この問題に対処するため,我々は切り詰められたラプラス機構とガウス機構を設計した。 所定の切り抜き間隔 [a,b] に対して、切り抜きされたガウス機構は、切り抜き間隔 [a,b] に選択された値にかかわらず、切り抜きされたメカニズムと同じRenyi差分プライバシー(RDP)を保証する。 同様に、所定間隔 [a, b] に対して、truncated Laplace のメカニズムは、unruncated のメカニズムと同じ RDP を維持する。 それぞれに RDP 表現を提供する。 我々の研究は、特定のアプリケーションにおける差分プライバシーの有用性をさらに高めることができると信じている。

関連論文リスト

• Universal Exact Compression of Differentially Private Mechanisms [47.57948804514929]
  本稿では,任意の局所乱数化器の圧縮とシミュレートを目的とした,Poisson private representation (PPR) と呼ばれる新しい構成を提案する。 PPRは、データの結合分布と元のローカルランダム化器の出力を保存する。 実験結果から、PPRはコミュニケーション、正確性、中央および局所的な差分プライバシーの間のトレードオフを一貫して改善することが示された。
  論文  参考訳（メタデータ） (2024-05-28T23:54:31Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Communication-Efficient Laplace Mechanism for Differential Privacy via Random Quantization [24.98836880652668]
  本稿では,Laplaceのメカニズムを正確に実現した最初の手法を提案する(すなわち,データにLaplaceノイズを加える)。 当社のメカニズムは、ローカルまたは集中型ディファレンシャルプライバシアプリケーションのドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2023-09-13T14:17:54Z)
• Bounding data reconstruction attacks with the hypothesis testing interpretation of differential privacy [78.32404878825845]
  レコンストラクションロバストネス(ReRo)は、機械学習モデルに対するデータ再構成攻撃の成功の上限として最近提案されている。 これまでの研究では、差分プライバシー(DP)機構がReRoを提供することを示したが、これまではモンテカルロによるReRo境界の厳密な推定しか示されていない。
  論文  参考訳（メタデータ） (2023-07-08T08:02:47Z)
• Less is More: Revisiting the Gaussian Mechanism for Differential Privacy [8.89234867625102]
  出力摂動による差分プライバシーは、機密データに対してクエリや計算結果をリリースするためのデファクトスタンダードとなっている。 既存のガウスのメカニズムはすべて、フルランクの共分散行列の呪いに苦しむ。
  論文  参考訳（メタデータ） (2023-06-04T04:14:38Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)
• Faster Privacy Accounting via Evolving Discretization [54.32252900997422]
  プライバシランダム変数の数値合成のための新しいアルゴリズムを提案する。 本アルゴリズムは,メカニズムを自己コンパイルするタスクに対して,$mathrmpolylog(k)$の実行時間とメモリ使用量を達成する。
  論文  参考訳（メタデータ） (2022-07-10T04:25:37Z)
• Cactus Mechanisms: Optimal Differential Privacy Mechanisms in the Large-Composition Regime [12.420941209631742]
  本研究では,多数の構成の限界における最適微分プライバシー機構の設計について検討する。 この体制では、最高のプライバシーメカニズムは、Kullback-Leiblerの発散を最小限にするものである。 我々は、量子化アプローチが最適なメカニズムに任意に近づくことができることを示す。
  論文  参考訳（メタデータ） (2022-06-25T20:05:50Z)
• Shuffle Gaussian Mechanism for Differential Privacy [2.7564955518050693]
  $$ epsilon(lambda) leq frac1lambda-1logleft(frace-da/2sigma2ndasum_substackk_+dotsc+k_n=lambda;k_nlambda!k_nlambda!k_nlambda!
  論文  参考訳（メタデータ） (2022-06-20T04:54:16Z)
• Introducing the Huber mechanism for differentially private low-rank matrix completion [9.944551494217075]
  差分プライバシーを維持するための新しいノイズ付加機構を提案する。 提案するHuberメカニズムは,既存の差分プライバシーメカニズムに対して評価される。 提案機構は,Laplace機構と同様のエプシロン差分プライバシーを実現する。
  論文  参考訳（メタデータ） (2022-06-16T04:33:06Z)
• A unified interpretation of the Gaussian mechanism for differential privacy through the sensitivity index [61.675604648670095]
  GMの一般的な3つの解釈、すなわち$(varepsilon, delta)$-DP, f-DP, R'enyi DPは1つのパラメータ$psi$で表現できる。 $psi$は、クエリの感度とノイズ摂動の大きさの2つの基本量をカプセル化することによって、GMとその特性を特徴付ける。
  論文  参考訳（メタデータ） (2021-09-22T06:20:01Z)

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。