論文の概要: Group Privacy Amplification and Unified Amplification by Subsampling for
R\'enyi Differential Privacy
- arxiv url: http://arxiv.org/abs/2403.04867v1
- Date: Thu, 7 Mar 2024 19:36:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 21:44:45.237840
- Title: Group Privacy Amplification and Unified Amplification by Subsampling for
R\'enyi Differential Privacy
- Title（参考訳）: R'enyi差分プライバシーのサブサンプリングによるグループプライバシの増幅と統一増幅
- Authors: Jan Schuchardt, Mihail Stoian, Arthur Kosmala, Stephan G\"unnemann
- Abstract要約: グループプライバシとサブサンプリングによる増幅の組み合わせに焦点を当てる。
我々はR'enyi-DPの保証をサブサンプリングすることで増幅を導出するための統一的なフレームワークを開発する。
我々は、R'enyi-DPの既存の増幅結果の改善と一般化を可能にするだけでなく、既存の原則よりも強力なグループプライバシの増幅を保証することを確実に導き出す。
- 参考スコア（独自算出の注目度）: 15.564396802293901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential privacy (DP) has various desirable properties, such as
robustness to post-processing, group privacy, and amplification by subsampling,
which can be derived independently of each other. Our goal is to determine
whether stronger privacy guarantees can be obtained by considering multiple of
these properties jointly. To this end, we focus on the combination of group
privacy and amplification by subsampling. To provide guarantees that are
amenable to machine learning algorithms, we conduct our analysis in the
framework of R\'enyi-DP, which has more favorable composition properties than
$(\epsilon,\delta)$-DP. As part of this analysis, we develop a unified
framework for deriving amplification by subsampling guarantees for R\'enyi-DP,
which represents the first such framework for a privacy accounting method and
is of independent interest. We find that it not only lets us improve upon and
generalize existing amplification results for R\'enyi-DP, but also derive
provably tight group privacy amplification guarantees stronger than existing
principles. These results establish the joint study of different DP properties
as a promising research direction.
- Abstract（参考訳）: ディファレンシャルプライバシ(dp)は、後処理に対する堅牢性、グループプライバシ、サブサンプリングによる増幅など、互いに独立して導出できる様々な望ましい特性を持っている。
私たちのゴールは、複数のプロパティを共同で検討することで、より強力なプライバシー保証が得られるかどうかを判断することです。
この目的のために,グループプライバシとサブサンプリングによる増幅の組み合わせに注目した。
機械学習アルゴリズムに適合する保証を提供するため、我々はR'enyi-DPのフレームワークで分析を行い、$(\epsilon,\delta)$-DPよりも好ましい構成特性を持つ。
この分析の一環として,プライバシ会計手法の最初のフレームワークであるR'enyi-DPの保証をサブサンプリングすることで増幅を導出するための統一的なフレームワークを開発し,独立した関心を持つ。
R'enyi-DPの既存の増幅結果の改善と一般化を可能にするだけでなく、既存の原則よりも強力なグループプライバシの増幅保証を確実に引き出すことができる。
これらの結果は, 異なるdp特性の合同研究を有望な研究方向として確立する。
関連論文リスト
- Meeting Utility Constraints in Differential Privacy: A Privacy-Boosting Approach [7.970280110429423]
本稿では,ほとんどのノイズ付加型DP機構と互換性のあるプライバシブースティングフレームワークを提案する。
私たちのフレームワークは、ユーティリティ要件を満たすために、サポートの望ましいサブセットに出力が落ちる可能性を高める。
提案手法は,実用性制約下での標準DP機構よりも低いプライバシー損失を実現する。
論文 参考訳（メタデータ） (2024-12-13T23:34:30Z) - Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳（メタデータ） (2024-03-19T17:54:49Z) - 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) - The Symmetric alpha-Stable Privacy Mechanism [0.0]
本稿では,Symmetric alpha-Stable (SaS) 機構の新しい解析法を提案する。
この機構は、畳み込みの下で閉じたまま、純粋に微分プライベートであることを示す。
論文 参考訳（メタデータ） (2023-11-29T16:34:39Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Decentralized Matrix Factorization with Heterogeneous Differential
Privacy [2.4743508801114444]
信頼できないリコメンデータに対して, 異種差分行列分解アルゴリズム(HDPMF)を提案する。
我々のフレームワークは、プライバシと精度のトレードオフを改善するために、革新的な再スケーリングスキームを備えた拡張ストレッチ機構を使用している。
論文 参考訳（メタデータ） (2022-12-01T06:48:18Z) - Privacy Amplification via Shuffled Check-Ins [2.3333090554192615]
シャッフルチェックインと呼ばれる分散計算のためのプロトコルについて検討する。
信頼できるシャフラー以上の信頼の前提を必要とせずに、強力なプライバシー保証を実現する。
シャッフルされたチェックインは、プライバシーの強化によって、厳格なプライバシー保証を実現する。
論文 参考訳（メタデータ） (2022-06-07T09:55:15Z)
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。