Fugu-MT 論文翻訳(概要): Sketches-based join size estimation under local differential privacy

論文の概要: Sketches-based join size estimation under local differential privacy

arxiv url: http://arxiv.org/abs/2405.11419v1
Date: Sun, 19 May 2024 01:21:54 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 17:49:33.783022
Title: Sketches-based join size estimation under local differential privacy
Title（参考訳）: 局所差分プライバシー下におけるケッチに基づく接合サイズ推定
Authors: Meifan Zhang, Xin Liu, Lihua Yin,
Abstract要約: 機密データの結合サイズ推定は、プライバシー漏洩のリスクをもたらす。ローカルディファレンシャルプライバシ(LDP)は、機密データを収集しながらプライバシを保存するソリューションである。スケッチベースジョインサイズ推定のための LDPJoinSketch という新しいアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 3.0945730947183203
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Join size estimation on sensitive data poses a risk of privacy leakage. Local differential privacy (LDP) is a solution to preserve privacy while collecting sensitive data, but it introduces significant noise when dealing with sensitive join attributes that have large domains. Employing probabilistic structures such as sketches is a way to handle large domains, but it leads to hash-collision errors. To achieve accurate estimations, it is necessary to reduce both the noise error and hash-collision error. To tackle the noise error caused by protecting sensitive join values with large domains, we introduce a novel algorithm called LDPJoinSketch for sketch-based join size estimation under LDP. Additionally, to address the inherent hash-collision errors in sketches under LDP, we propose an enhanced method called LDPJoinSketch+. It utilizes a frequency-aware perturbation mechanism that effectively separates high-frequency and low-frequency items without compromising privacy. The proposed methods satisfy LDP, and the estimation error is bounded. Experimental results show that our method outperforms existing methods, effectively enhancing the accuracy of join size estimation under LDP.
Abstract（参考訳）: 機密データの結合サイズ推定は、プライバシー漏洩のリスクをもたらす。ローカルディファレンシャルプライバシ(LDP)は、機密データを収集しながらプライバシを保存するソリューションであるが、大きなドメインを持つ機密結合属性を扱う場合、大きなノイズが発生する。スケッチのような確率的構造を採用することは、大きなドメインを扱う方法であるが、ハッシュコリジョンエラーにつながる。正確な推定を行うには,ノイズ誤差とハッシュ衝突誤差の両方を削減する必要がある。そこで本研究では,LDP を用いたジョインサイズ推定のための LDPJoinSketch という新しいアルゴリズムを提案する。さらに, LDP下でのスケッチにおけるハッシュ照合エラーに対処するため, LDPJoinSketch+と呼ばれる拡張手法を提案する。プライバシーを損なうことなく、高周波および低周波のアイテムを効果的に分離する周波数認識摂動機構を利用する。提案手法は LDP を満足し,推定誤差は有界である。実験の結果,提案手法は既存の手法よりも優れており,LDPにおける結合サイズ推定の精度を効果的に向上することがわかった。

関連論文リスト

Lightweight Federated Learning with Differential Privacy and Straggler Resilience [19.94124499453864]
フェデレートラーニング(FL)は、生データの代わりにモデルパラメータ交換を通じて協調的なモデルトレーニングを可能にする。パラメータ交換による潜在的な推論攻撃を避けるため、差分プライバシー(DP)は様々な攻撃に対して厳格な保証を提供する。提案するLightDP-FLは,信頼できないピアやサーバに対して,証明可能なDPを保証する,新しい軽量なスキームである。
論文参考訳（メタデータ） (2024-12-09T00:54:00Z)
Differentially Private Clustered Federated Learning [4.768272342753616]
フェデレートラーニング(FL)は、厳格なデータプライバシ保証を提供するために、しばしば差分プライバシ(DP)を取り入れる。以前の研究は、クラスタリングクライアント(クラスタ化FL)を介してバニラFL設定における高構造データ不均一性に対処しようとした。システム内のDPノイズに対して頑健で,基盤となるクライアントのクラスタを正しく識別する,差分プライベートクラスタリングFLのアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T17:03:31Z)
Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。 DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
論文参考訳（メタデータ） (2024-04-24T06:51:16Z)
Closed-Form Bounds for DP-SGD against Record-level Inference [18.85865832127335]
我々はDP-SGDアルゴリズムに焦点をあて、単純な閉形式境界を導出する。我々は、最先端技術にマッチする会員推定のバウンダリを得る。属性推論に対する新しいデータ依存型バウンダリを提案する。
論文参考訳（メタデータ） (2024-02-22T09:26:16Z)
Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文参考訳（メタデータ） (2022-02-22T04:24:26Z)
Wireless Federated Learning with Limited Communication and Differential Privacy [21.328507360172203]
本稿では,空力計算(AirComp)に基づくフェデレーション学習(FL)モデルにおいて,リモートユーザにおけるローカルデータセットの効率的な通信と差分プライバシー(DP)における次元性低減の役割について検討する。
論文参考訳（メタデータ） (2021-06-01T15:23:12Z)
Lossless Compression of Efficient Private Local Randomizers [55.657133416044104]
Locally Differentially Private (LDP) Reportsは、フェデレーション設定における統計と機械学習の収集に一般的に使用されます。多くの場合、最もよく知られたldpアルゴリズムは、クライアントデバイスからサーバに強制的に大きなメッセージを送信する必要がある。これにより、LDPアルゴリズムの通信コストの削減に大きく貢献しています。
論文参考訳（メタデータ） (2021-02-24T07:04:30Z)
Learning with User-Level Privacy [61.62978104304273]
ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
論文参考訳（メタデータ） (2021-02-23T18:25:13Z)
A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
論文参考訳（メタデータ） (2020-06-16T17:47:48Z)
Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文参考訳（メタデータ） (2020-05-01T04:28:38Z)
User-Level Privacy-Preserving Federated Learning: Analysis and Performance Optimization [77.43075255745389]
フェデレートラーニング(FL)は、データを有用なモデルにトレーニングしながら、モバイル端末(MT)からプライベートデータを保存することができる。情報理論の観点からは、MTがアップロードした共有モデルから、好奇心の強いサーバがプライベートな情報を推測することが可能である。サーバにアップロードする前に、共有モデルに人工ノイズを加えることで、ユーザレベルの差分プライバシー(UDP)アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-29T10:13:39Z)

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。