論文の概要: A Decade of Metric Differential Privacy: Advancements and Applications

• arxiv url: http://arxiv.org/abs/2502.08970v1
• Date: Thu, 13 Feb 2025 05:18:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:03.933485
• Title: A Decade of Metric Differential Privacy: Advancements and Applications
• Title（参考訳）: メトリクス差分プライバシーの10年 - 進歩と応用
• Authors: Xinpeng Xie, Chenyang Yu, Yan Huang, Yang Cao, Chenxi Qiu,
• Abstract要約: メトリクス微分プライバシー(mDP)は、様々な距離のメトリクスを取り入れることで、差分プライバシー(DP)の中核となる原則に基づいている。 mDPは、位置情報ベースのサービス、テキスト分析、画像処理など、幅広いアプリケーションに対して、プライバシ保証を提供する。 本稿では,2013年から2024年までのmDP研究を包括的に調査し,その発展をDPの基礎から追究する。
• 参考スコア（独自算出の注目度）: 8.865292595200964
• License:
• Abstract: Metric Differential Privacy (mDP) builds upon the core principles of Differential Privacy (DP) by incorporating various distance metrics, which offer adaptable and context-sensitive privacy guarantees for a wide range of applications, such as location-based services, text analysis, and image processing. Since its inception in 2013, mDP has garnered substantial research attention, advancing theoretical foundations, algorithm design, and practical implementations. Despite this progress, existing surveys mainly focus on traditional DP and local DP, and they provide limited coverage of mDP. This paper provides a comprehensive survey of mDP research from 2013 to 2024, tracing its development from the foundations of DP. We categorize essential mechanisms, including Laplace, Exponential, and optimization-based approaches, and assess their strengths, limitations, and application domains. Additionally, we highlight key challenges and outline future research directions to encourage innovation and real-world adoption of mDP. This survey is designed to be a valuable resource for researchers and practitioners aiming to deepen their understanding and drive progress in mDP within the broader privacy ecosystem.
• Abstract（参考訳）: mDP(Metric Differential Privacy)は、位置情報ベースのサービス、テキスト分析、画像処理など、幅広いアプリケーションに対して、適応性とコンテキストに敏感なプライバシ保証を提供する、さまざまな距離メトリクスを統合することで、差分プライバシ(DP)のコア原則に基づいている。 2013年の設立以来、mDPは理論の基礎、アルゴリズム設計、実践的な実装を推し進め、かなりの研究の注目を集めてきた。 この進展にもかかわらず、既存の調査は主に従来のDPとローカルDPに焦点を当てており、mDPを限定的にカバーしている。 本稿では,2013年から2024年までのmDP研究を包括的に調査し,その発展をDPの基礎から追究する。 Laplace、Exponential、最適化ベースのアプローチなど、重要なメカニズムを分類し、その強み、制限、アプリケーションドメインを評価します。 さらに、重要な課題を強調し、mDPの革新と現実的な採用を促進するための今後の研究の方向性を概説する。 この調査は、より広範なプライバシーエコシステムにおけるmDPの理解を深め、進歩を促進することを目的とした、研究者や実践者にとって貴重なリソースとして設計されている。

関連論文リスト

• A Comprehensive Survey of Direct Preference Optimization: Datasets, Theories, Variants, and Applications [52.42860559005861]
  DPO(Direct Preference Optimization)は、アライメントのための有望なアプローチとして登場した。 DPOの様々な進歩と固有の制限にもかかわらず、これらの側面の詳細なレビューは現在、文献に欠けている。
  論文  参考訳（メタデータ） (2024-10-21T02:27:24Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• The Complexities of Differential Privacy for Survey Data [0.0]
  アメリカ合衆国国勢調査局は、2020年12月の国勢調査にこの概念を採用したと発表した。 その魅力的な理論的特性にもかかわらず、実際にDPを実装することは、特に調査データに関して難しいままである。 調査の文脈でDPを採用する際に考慮すべき5つの側面を識別する。
  論文  参考訳（メタデータ） (2024-08-13T16:15:42Z)
• RL in Latent MDPs is Tractable: Online Guarantees via Off-Policy Evaluation [73.2390735383842]
  付加的な構造仮定を伴わずにLMDPのサンプル効率アルゴリズムを初めて導入する。 楽観的な探索アルゴリズムのほぼ最適保証を導出するためにどのように使用できるかを示す。 これらの結果は、LMDP以外の幅広い対話型学習問題、特に部分的に観察された環境において有用である。
  論文  参考訳（メタデータ） (2024-06-03T14:51:27Z)
• Advances in Differential Privacy and Differentially Private Machine Learning [0.0]
  データパブリッシング、特定の機械学習タスク、構造化されていないデータの解析、ロケーションプライバシなど、特定のコンテキストにおける差分プライバシー。 Renyi DP と Concentated DP 、新しいメカニズムと技術、そして微分プライベート機械学習における理論的発展を適切に表現した新しいDP 変種と共に、微分プライバシ理論の最近の進歩。 さらに,プライバシ保護機械学習の実践と,DPの実践的実装について検討した。
  論文  参考訳（メタデータ） (2024-04-06T18:49:24Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Advancing Differential Privacy: Where We Are Now and Future Directions for Real-World Deployment [100.1798289103163]
  差分プライバシ(DP)分野における現状と現状の方法論の詳細なレビューを行う。 論文のポイントとハイレベルな内容は,「認知プライバシ(DP:次のフロンティアへの挑戦)」の議論から生まれた。 この記事では、プライバシの領域におけるアルゴリズムおよび設計決定の基準点を提供することを目標とし、重要な課題と潜在的研究の方向性を強調します。
  論文  参考訳（メタデータ） (2023-04-14T05:29:18Z)
• How to DP-fy ML: A Practical Guide to Machine Learning with Differential Privacy [22.906644117887133]
  差分プライバシー(DP)は、データ匿名化に関する公式声明を作成するための金の標準となっている。 DPの採用は、DP保護が持つもの、プライバシーが目的とするもの、そしてMLモデルの優れたプライバシ・ユーティリティ・コンピューティングトレードオフを達成することの難しさに関する限られた実践的なガイダンスによって妨げられている。 この研究は自己完結型のガイドであり、DP MLの分野を詳細に概観し、厳格なプライバシー保証を備えた最高のDP MLモデルを達成するための情報を提供する。
  論文  参考訳（メタデータ） (2023-03-01T16:56:39Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)

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。