論文の概要: Differentially Private Range Queries with Correlated Input Perturbation
- arxiv url: http://arxiv.org/abs/2402.07066v1
- Date: Sat, 10 Feb 2024 23:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 17:42:59.927518
- Title: Differentially Private Range Queries with Correlated Input Perturbation
- Title(参考訳): 入力摂動を考慮した差分プライベートレンジクエリ
- Authors: Prathamesh Dharangutte, Jie Gao, Ruobin Gong, Guanyang Wang
- Abstract要約: 本稿では,線形クエリに対して,不偏性,一貫性,統計的透明性,ユーティリティ要件に対する制御を実現するために,相関入力摂動を利用した微分プライベートなメカニズムのクラスを提案する。
我々の限界は、出力摂動法と経験的に競合しながら、ほぼ最適の効用が得られることを示している。
- 参考スコア(独自算出の注目度): 10.01744477818964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work proposes a class of locally differentially private mechanisms for
linear queries, in particular range queries, that leverages correlated input
perturbation to simultaneously achieve unbiasedness, consistency, statistical
transparency, and control over utility requirements in terms of accuracy
targets expressed either in certain query margins or as implied by the
hierarchical database structure. The proposed Cascade Sampling algorithm
instantiates the mechanism exactly and efficiently. Our bounds show that we
obtain near-optimal utility while being empirically competitive against output
perturbation methods.
- Abstract(参考訳): 本研究では,線形クエリの局所的微分プライベートなメカニズム,特にレンジクエリのクラスを提案し,相関入力の摂動を利用して不偏性,一貫性,統計透過性,実用性要件の制御を,あるクエリマージンで表現された精度目標,あるいは階層データベース構造によって示唆された精度目標の観点から同時に行う。
提案するカスケードサンプリングアルゴリズムは, この機構を正確かつ効率的にインスタンス化する。
我々の限界は、出力摂動法と経験的に競合しながら、ほぼ最適効用が得られることを示している。
関連論文リスト
- Adaptive Differentially Quantized Subspace Perturbation (ADQSP): A Unified Framework for Privacy-Preserving Distributed Average Consensus [6.364764301218972]
本稿では適応微分量子化部分空間(ADQSP)という一般手法を提案する。
本研究では,単一の量子化パラメータを変化させることで,提案手法がSMPC型の性能とDP型性能に異なることを示す。
この結果から,従来の分散信号処理ツールを暗号保証に活用する可能性が示唆された。
論文 参考訳(メタデータ) (2023-12-13T07:52:16Z) - Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。
既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。
本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
論文 参考訳(メタデータ) (2023-11-04T04:43:47Z) - Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。
我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
論文 参考訳(メタデータ) (2023-11-02T05:01:45Z) - Budgeted Classification with Rejection: An Evolutionary Method with
Multiple Objectives [0.0]
予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。
これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。
本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-01T22:05:16Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳(メタデータ) (2021-11-15T03:16:56Z) - Automated Mechanism Design for Classification with Partial Verification [64.69418921224529]
部分検証による自動機構設計の問題点について検討する。
私たちは、すべてのタイプが結果よりも同じ好みを共有する設定における真実のメカニズムに焦点を当てています。
論文 参考訳(メタデータ) (2021-04-12T03:29:31Z) - Unsupervised Selective Manifold Regularized Matrix Factorization [9.524762773976656]
すべてのデータポイントのk-近傍を正規化制約として使用すると、分解の質に悪影響を及ぼす可能性があると論じる。
この問題に対処するために,教師なしおよび選択的正則行列分解アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-20T00:36:35Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z) - Decorrelated Clustering with Data Selection Bias [55.91842043124102]
本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。
DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
論文 参考訳(メタデータ) (2020-06-29T08:55:50Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳(メタデータ) (2020-06-10T20:20:10Z)
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。