Fugu-MT 論文翻訳(概要): A proposal to increase data utility on Global Differential Privacy data based on data use predictions

論文の概要: A proposal to increase data utility on Global Differential Privacy data based on data use predictions

arxiv url: http://arxiv.org/abs/2401.06601v1
Date: Fri, 12 Jan 2024 14:34:30 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 12:47:21.930722
Title: A proposal to increase data utility on Global Differential Privacy data based on data use predictions
Title（参考訳）: データ利用予測に基づくグローバルディファレンシャルプライバシデータの実用性向上の提案
Authors: Henry C. Nunes, Marlon P. da Silva, Charles V. Neu, Avelino F. Zorzo,
Abstract要約: 提案手法は,DP保護下で公表された統計をアナリストがどのように利用するかの予測に基づく。この新しいアプローチは、プライバシー制約を妥協することなく、データの有用性を改善することができる。
参考スコア（独自算出の注目度）: 0.2999888908665658
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents ongoing research focused on improving the utility of data protected by Global Differential Privacy(DP) in the scenario of summary statistics. Our approach is based on predictions on how an analyst will use statistics released under DP protection, so that a developer can optimise data utility on further usage of the data in the privacy budget allocation. This novel approach can potentially improve the utility of data without compromising privacy constraints. We also propose a metric that can be used by the developer to optimise the budget allocation process.
Abstract（参考訳）: 本稿では,グローバルディファレンシャルプライバシ(DP)が保護するデータの有用性を概説する。当社のアプローチは,DP保護下で公表された統計をアナリストがどのように利用するかの予測に基づいて,プライバシ予算割り当てにおけるデータのさらなる利用にデータユーティリティを最適化することができる。この新しいアプローチは、プライバシー制約を妥協することなく、データの有用性を改善することができる。また,予算配分プロセスの最適化に開発者が利用できる指標を提案する。

関連論文リスト

Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
本稿では,PseudoProbability Unlearning (PPU)を提案する。提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
論文参考訳（メタデータ） (2024-11-04T21:27:06Z)
Privacy-preserving recommender system using the data collaboration analysis for distributed datasets [2.9061423802698565]
分散データセットのデータコラボレーション分析を用いて,プライバシ保護リコメンデータシステムのためのフレームワークを構築した。 2つのパブリックレーティングデータセットを用いた数値実験により、評価予測のためのプライバシ保護手法が分散データセットの予測精度を向上させることを示した。
論文参考訳（メタデータ） (2024-05-24T07:43:00Z)
Synergizing Privacy and Utility in Data Analytics Through Advanced Information Theorization [2.28438857884398]
本稿では,高次元画像データに適したノイズ注入技術,ロバストな特徴抽出のための変分オートエンコーダ(VAE),構造化データプライバシに最適化された期待最大化(EM)アプローチの3つの高度なアルゴリズムを紹介する。本手法は,機密属性と変換データ間の相互情報を著しく低減し,プライバシーを向上する。この研究は、さまざまなデータタイプにまたがってプライバシ保護アルゴリズムをデプロイするための柔軟で効果的な戦略を提供することによって、この分野に貢献する。
論文参考訳（メタデータ） (2024-04-24T22:58:42Z)
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)
Chained-DP: Can We Recycle Privacy Budget? [18.19895364709435]
本稿では,ユーザが順次データアグリゲーションを実行し,プライバシ予算を再利用することのできる,新しいChained-DPフレームワークを提案する。逐次ゲームの数学的性質を示し、そのナッシュ平衡を解き、証明可能な経済特性を持つインセンティブメカニズムを設計する。提案手法の有効性を数値シミュレーションにより検証し,従来のLPP機構と比較して,プライバシ予算の大幅な削減と推定誤差の低減を図った。
論文参考訳（メタデータ） (2023-09-12T08:07:59Z)
Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-04-17T10:59:57Z)
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文参考訳（メタデータ） (2022-08-24T17:52:43Z)
Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文参考訳（メタデータ） (2022-05-08T14:38:23Z)
Spending Privacy Budget Fairly and Wisely [7.975975942400017]
差分プライベート(DP)合成データ生成は、データへのアクセスを改善するための実用的な方法である。 DP固有の問題のひとつは、"プライバシ予算"が一般的に、データセットの機能間で均等に"発効"していることだ。我々は,DPデータに基づいてトレーニングされたモデルの予測精度を最大化するために,プライバシー予算を「賢明に」配布するアンサンブル手法を開発した。
論文参考訳（メタデータ） (2022-04-27T13:13:56Z)
Secure Bayesian Federated Analytics for Privacy-Preserving Trend Detection [3.04585143845864]
フェデレートされた分析は、サービス提供、製品開発、ユーザエクスペリエンスに関するより良い意思決定につながる可能性がある。本稿では, ベイズ理論を用いて, キーワードがトレンドとなる確率を計算し, トレンド検出に対するベイズ的アプローチを提案する。我々はベイズ連合分析のためのSAFEというプロトコルを提案し、プロダクショングレードのユースケースに十分なプライバシーを提供する。
論文参考訳（メタデータ） (2021-07-28T20:52:28Z)
Enhancing User' s Income Estimation with Super-App Alternative Data [59.60094442546867]
これは、これらの代替データソースのパフォーマンスと、業界に受け入れられた局の収入推定器のパフォーマンスを比較します。本論文は、金融機関がリスクプロファイルの構築に代替データを導入しようとする動機を示すものである。
論文参考訳（メタデータ） (2021-04-12T21:34:44Z)

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。