Fugu-MT 論文翻訳(概要): Practical Considerations for Differential Privacy

論文の概要: Practical Considerations for Differential Privacy

arxiv url: http://arxiv.org/abs/2408.07614v1
Date: Wed, 14 Aug 2024 15:28:28 GMT
ステータス: 処理完了
システム内更新日: 2024-08-15 12:53:17.497711
Title: Practical Considerations for Differential Privacy
Title（参考訳）: 微分プライバシーの実践的考察
Authors: Kareem Amin, Alex Kulesza, Sergei Vassilvitskii,
Abstract要約: 差分プライバシーは統計データリリースのゴールドスタンダードである。広範に普及する過程における現実的な障害について検討する。
参考スコア（独自算出の注目度）: 17.258815453658993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Differential privacy is the gold standard for statistical data release. Used by governments, companies, and academics, its mathematically rigorous guarantees and worst-case assumptions on the strength and knowledge of attackers make it a robust and compelling framework for reasoning about privacy. However, even with landmark successes, differential privacy has not achieved widespread adoption in everyday data use and data protection. In this work we examine some of the practical obstacles that stand in the way.
Abstract（参考訳）: 差分プライバシーは統計データリリースのゴールドスタンダードである。政府、企業、学者が利用し、その数学的に厳格な保証と、攻撃者の強さと知識に関する最悪の仮定によって、プライバシーを推論するための堅牢で魅力的なフレームワークとなっている。しかし、目覚ましい成功にもかかわらず、差分プライバシーは日々のデータ利用やデータ保護において広く普及していない。本研究では,その邪魔となる現実的な障害について検討する。

関連論文リスト

Enforcing Demographic Coherence: A Harms Aware Framework for Reasoning about Private Data Release [14.939460540040459]
データプライバシに必要であると主張するプライバシ攻撃にインスパイアされた、人口統計コヒーレンスを導入します。我々のフレームワークは信頼性評価予測に重点を置いており、ほぼすべてのデータインフォームドプロセスから蒸留することができる。差分的にプライベートなデータリリースはすべて、人口統計学的にコヒーレントであること、および、差分的にプライベートではない人口統計学的にコヒーレントなアルゴリズムがあることを実証する。
論文参考訳（メタデータ） (2025-02-04T20:42:30Z)
Differential Privacy Overview and Fundamental Techniques [63.0409690498569]
この章は、"Differential Privacy in Artificial Intelligence: From Theory to Practice"という本の一部である。まず、データのプライバシ保護のためのさまざまな試みについて説明し、その失敗の場所と理由を強調した。次に、プライバシ保護データ分析の領域を構成する重要なアクター、タスク、スコープを定義する。
論文参考訳（メタデータ） (2024-11-07T13:52:11Z)
Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
論文参考訳（メタデータ） (2024-10-22T15:22:53Z)
A Statistical Viewpoint on Differential Privacy: Hypothesis Testing, Representation and Blackwell's Theorem [30.365274034429508]
我々は、差分プライバシーはテクストプア統計概念とみなすことができると論じる。 $f$-differential privacyは、データ分析と機械学習のプライバシー境界を分析するための統合フレームワークである。
論文参考訳（メタデータ） (2024-09-14T23:47:22Z)
Synthetic Data: Revisiting the Privacy-Utility Trade-off [4.832355454351479]
ある記事は、合成データは従来の匿名化技術よりもプライバシーとユーティリティのトレードオフが良くないと述べている。記事はまた、PATEGANとPrivBayesが提供した差分プライバシー保証の違反を特定したと主張している。本稿で記述したプライバシゲームの実装を分析し,高度に専門的で制約のある環境で動作していることを確認した。
論文参考訳（メタデータ） (2024-07-09T14:48:43Z)
Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
論文参考訳（メタデータ） (2024-07-04T08:29:27Z)
No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文参考訳（メタデータ） (2022-09-29T17:50:23Z)
Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-09-08T22:43:50Z)
Evaluating Privacy-Preserving Machine Learning in Critical Infrastructures: A Case Study on Time-Series Classification [5.607917328636864]
モデルもデータも、センシティブな情報を抽出するのに使用しないことを確実にすることは、重要なことです。さまざまな安全クリティカルなユースケース(主に時系列データに依存している)は、現在、プライバシーに関する考慮事項で不足している。時系列データに適用性に関するいくつかのプライバシー保護手法を評価することにより、深層学習における暗号化の非効率性を検証した。
論文参考訳（メタデータ） (2021-11-29T12:28:22Z)
Distribution-Invariant Differential Privacy [4.700764053354502]
本研究では,高い統計的精度と厳密な差分プライバシーを両立する分布不変民営化法(DIP)を提案する。同じ厳密なプライバシー保護の下で、DIPは2つのシミュレーションと3つの実世界のベンチマークで優れた統計的精度を達成する。
論文参考訳（メタデータ） (2021-11-08T22:26:50Z)
Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文参考訳（メタデータ） (2020-12-14T18:59:24Z)

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。