論文の概要: Differential Privacy with Multiple Selections
- arxiv url: http://arxiv.org/abs/2407.14641v1
- Date: Fri, 19 Jul 2024 19:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 21:33:49.333408
- Title: Differential Privacy with Multiple Selections
- Title（参考訳）: 複数選択による微分プライバシー
- Authors: Ashish Goel, Zhihao Jiang, Aleksandra Korolova, Kamesh Munagala, Sahasrajit Sarmasarkar,
- Abstract要約: 感性のある機能を持つユーザがサーバから異なるプライベートな方法でレコメンデーションを得るような設定について検討する。
本稿では,サーバが複数のレコメンデーションを送信可能なマルチセレクションアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 52.5653572324012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the setting where a user with sensitive features wishes to obtain a recommendation from a server in a differentially private fashion. We propose a ``multi-selection'' architecture where the server can send back multiple recommendations and the user chooses one from these that matches best with their private features. When the user feature is one-dimensional -- on an infinite line -- and the accuracy measure is defined w.r.t some increasing function $\mathfrak{h}(.)$ of the distance on the line, we precisely characterize the optimal mechanism that satisfies differential privacy. The specification of the optimal mechanism includes both the distribution of the noise that the user adds to its private value, and the algorithm used by the server to determine the set of results to send back as a response and further show that Laplace is an optimal noise distribution. We further show that this optimal mechanism results in an error that is inversely proportional to the number of results returned when the function $\mathfrak{h}(.)$ is the identity function.
- Abstract（参考訳）: 感性のある機能を持つユーザがサーバから異なるプライベートな方法でレコメンデーションを得るような設定について検討する。
本稿では,サーバが複数のレコメンデーションを送信し,ユーザがそれぞれのプライベート機能に最もよく合うものを選択できるような'multi-selection'アーキテクチャを提案する。
ユーザ特徴が無限直線上の一次元であり、精度測定値が w.r.t ある増加関数 $\mathfrak{h}(.)$ であるとき、差分プライバシーを満たす最適なメカニズムを正確に特徴づける。
最適なメカニズムの仕様には、ユーザがプライベートな値に追加するノイズの分布と、応答として送信する結果のセットを決定するためにサーバが使用するアルゴリズムの両方が含まれており、Laplaceが最適なノイズ分布であることを示す。
さらに、この最適メカニズムは、関数 $\mathfrak{h}(.)$ が恒等関数であるときに返される結果の数に逆比例する誤差をもたらすことを示す。
関連論文リスト
- PrivSGP-VR: Differentially Private Variance-Reduced Stochastic Gradient Push with Tight Utility Bounds [9.47030623916154]
そこで本研究では,分散化による勾配プッシュを応用し,各ノードのプライバシを保証する,差分プライベートな分散学習手法(PrivSGPVR)を提案する。
この理論解析により, DP雑音下では, PrivGPS-VR は$mathcalO (1/sqrtnK)$のサブ線形収束速度を達成できることがわかった。
論文 参考訳（メタデータ） (2024-05-04T11:22:53Z) - Near-Universally-Optimal Differentially Private Minimum Spanning Trees [0.0]
我々は、最小スパンニングツリーを概解する単純な微分プライベートなメカニズムが、$ell_infty$ 近傍関係に対する普遍的最適性という意味では、ほぼ最適であることを示す。
我々は MST の指数的機構を時間内に実装し、これは $ell_infty$ と $ell_infty$ の近傍関係の両方に対して普遍的な準最適性をもたらすことを示した。
論文 参考訳（メタデータ） (2024-04-23T13:39:25Z) - Deterministic Nonsmooth Nonconvex Optimization [94.01526844386977]
次元自由な次元自由アルゴリズムを得るにはランダム化が必要であることを示す。
我々のアルゴリズムは、ReLUネットワークを最適化する最初の決定論的次元自由アルゴリズムを得る。
論文 参考訳（メタデータ） (2023-02-16T13:57:19Z) - General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean
Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。
すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文 参考訳（メタデータ） (2023-01-31T18:47:42Z) - On Differential Privacy for Federated Learning in Wireless Systems with
Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。
本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。
提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文 参考訳（メタデータ） (2022-08-25T03:37:11Z) - Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。
また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
論文 参考訳（メタデータ） (2022-05-05T06:43:46Z) - Tight and Robust Private Mean Estimation with Few Users [16.22135057266913]
ユーザレベルの差分プライバシーに基づく高次元平均推定について検討する。
可能な限り少数のユーザを使って、$(eps,delta)$-differentially privateメカニズムを設計します。
論文 参考訳（メタデータ） (2021-10-22T16:02:21Z) - Optimal Approximation -- Smoothness Tradeoffs for Soft-Max Functions [73.33961743410876]
ソフトマックス関数は近似と滑らかさの2つの主要な効率尺度を持つ。
近似と滑らか性の異なる尺度に対する最適近似-滑らか性トレードオフを同定する。
これにより、新しいソフトマックス関数が生まれ、それぞれ異なる用途に最適である。
論文 参考訳（メタデータ） (2020-10-22T05:19:58Z)
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。