論文の概要: $\alpha$-Mutual Information: A Tunable Privacy Measure for Privacy
Protection in Data Sharing
- arxiv url: http://arxiv.org/abs/2310.18241v1
- Date: Fri, 27 Oct 2023 16:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 13:07:31.924891
- Title: $\alpha$-Mutual Information: A Tunable Privacy Measure for Privacy
Protection in Data Sharing
- Title（参考訳）: $\alpha$-Mutual Information: データ共有におけるプライバシー保護のための厄介なプライバシー対策
- Authors: MirHamed Jafarzadeh Asl, Mohammadhadi Shateri, Fabrice Labeau
- Abstract要約: 本稿では, 有基の$alpha$-Mutual Informationを調整可能なプライバシ尺度として採用する。
我々は、プライバシ保護を提供するためにオリジナルのデータを操作するための一般的な歪みに基づくメカニズムを定式化する。
- 参考スコア（独自算出の注目度）: 4.475091558538915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper adopts Arimoto's $\alpha$-Mutual Information as a tunable privacy
measure, in a privacy-preserving data release setting that aims to prevent
disclosing private data to adversaries. By fine-tuning the privacy metric, we
demonstrate that our approach yields superior models that effectively thwart
attackers across various performance dimensions. We formulate a general
distortion-based mechanism that manipulates the original data to offer privacy
protection. The distortion metrics are determined according to the data
structure of a specific experiment. We confront the problem expressed in the
formulation by employing a general adversarial deep learning framework that
consists of a releaser and an adversary, trained with opposite goals. This
study conducts empirical experiments on images and time-series data to verify
the functionality of $\alpha$-Mutual Information. We evaluate the
privacy-utility trade-off of customized models and compare them to mutual
information as the baseline measure. Finally, we analyze the consequence of an
attacker's access to side information about private data and witness that
adapting the privacy measure results in a more refined model than the
state-of-the-art in terms of resiliency against side information.
- Abstract（参考訳）: 本稿では,プライベートデータを敵に開示することを防止するプライバシ保存型データリリース設定において,arimotoの$\alpha$-mutual情報を活用する。
プライバシメトリックを微調整することで、我々のアプローチが攻撃者を効果的に回避する優れたモデルを生み出すことを示す。
我々は、プライバシ保護を提供するためにオリジナルのデータを操作するための一般的な歪みに基づくメカニズムを定式化する。
歪みメトリックは、特定の実験のデータ構造に応じて決定される。
我々は,この定式化で表される問題に対して,解答器と反対の目標で訓練された対向的な対向学習フレームワークを用いて対処する。
本研究では,画像および時系列データを用いた実験を行い,$\alpha$-mutual情報の機能を検証した。
カスタマイズされたモデルのプライバシユーティリティトレードオフを評価し,基本基準として相互情報と比較する。
最後に、攻撃者がプライベートデータに関するサイド情報にアクセスした結果を分析し、プライバシー対策を適用すると、サイド情報に対するレジリエンスの観点から、最先端のモデルよりも洗練されたモデルになることを示す。
関連論文リスト
- A Summary of Privacy-Preserving Data Publishing in the Local Setting [0.6749750044497732]
統計開示制御は、機密情報を匿名化して暴露するリスクを最小限にすることを目的としている。
マイクロデータの復号化に使用される現在のプライバシ保存技術について概説し、様々な開示シナリオに適したプライバシ対策を掘り下げ、情報損失と予測性能の指標を評価する。
論文 参考訳（メタデータ） (2023-12-19T04:23:23Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳（メタデータ） (2022-11-18T11:39:03Z) - Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis
Testing: A Lesson From Fano [83.5933307263932]
本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。
基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
論文 参考訳（メタデータ） (2022-10-24T23:50:12Z) - No Free Lunch in "Privacy for Free: How does Dataset Condensation Help
Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。
プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文 参考訳（メタデータ） (2022-09-29T17:50:23Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳（メタデータ） (2022-09-08T22:43:50Z) - On the Privacy Effect of Data Enhancement via the Lens of Memorization [20.63044895680223]
我々は,記憶化という新たな視点からプライバシを調査することを提案する。
記憶のレンズを通して、以前デプロイされたMIAは、より高いプライバシーリスクを持つサンプルを特定する可能性が低いため、誤解を招く結果をもたらすことがわかった。
一般化ギャップとプライバシリークは, これまでの結果に比べて相関が低いことを示す。
論文 参考訳（メタデータ） (2022-08-17T13:02:17Z) - Smooth Anonymity for Sparse Graphs [69.1048938123063]
しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。
本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-07-13T17:09:25Z) - Personalized PATE: Differential Privacy for Machine Learning with
Individual Privacy Guarantees [1.2691047660244335]
トレーニングデータ内に、パーソナライズされたプライバシ保証の異なるMLモデルのトレーニングを支援する3つの新しい方法を提案する。
実験により, 個人化されたプライバシ手法は, 非個人化されたベースラインよりも高い精度のモデルが得られることがわかった。
論文 参考訳（メタデータ） (2022-02-21T20:16:27Z) - Towards a Data Privacy-Predictive Performance Trade-off [2.580765958706854]
分類タスクにおけるデータプライバシと予測性能のトレードオフの存在を評価する。
従来の文献とは異なり、プライバシーのレベルが高ければ高いほど、予測性能が向上することを確認した。
論文 参考訳（メタデータ） (2022-01-13T21:48:51Z) - Causally Constrained Data Synthesis for Private Data Release [36.80484740314504]
原データの特定の統計特性を反映した合成データを使用することで、原データのプライバシーが保護される。
以前の作業では、正式なプライバシ保証を提供するために、差分プライベートなデータリリースメカニズムを使用していました。
トレーニングプロセスに因果情報を導入し、上記のトレードオフを好意的に修正することを提案する。
論文 参考訳（メタデータ） (2021-05-27T13:46:57Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-12-14T18:59:24Z)
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。