Fugu-MT 論文翻訳(概要): Auditing Differential Privacy in the Black-Box Setting

論文の概要: Auditing Differential Privacy in the Black-Box Setting

arxiv url: http://arxiv.org/abs/2503.12045v1
Date: Sat, 15 Mar 2025 08:34:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-18 12:28:08.402832
Title: Auditing Differential Privacy in the Black-Box Setting
Title（参考訳）: ブラックボックス設定における差別的プライバシの監査
Authors: Kaining Shi, Cong Ma,
Abstract要約: 我々は,型Iと型IIのエラーを明確に定義し,共形推論に基づく監査機構を提案する。提案手法は最小限の仮定でI型エラー率を強く制御する。
参考スコア（独自算出の注目度）: 20.023469636707635
License:
Abstract: This paper introduces a novel theoretical framework for auditing differential privacy (DP) in a black-box setting. Leveraging the concept of $f$-differential privacy, we explicitly define type I and type II errors and propose an auditing mechanism based on conformal inference. Our approach robustly controls the type I error rate under minimal assumptions. Furthermore, we establish a fundamental impossibility result, demonstrating the inherent difficulty of simultaneously controlling both type I and type II errors without additional assumptions. Nevertheless, under a monotone likelihood ratio (MLR) assumption, our auditing mechanism effectively controls both errors. We also extend our method to construct valid confidence bands for the trade-off function in the finite-sample regime.
Abstract（参考訳）: 本稿では,ブラックボックス環境下での差分プライバシー(DP)監査のための新たな理論的枠組みを提案する。差分プライバシーの概念を活用することで、型Iと型IIのエラーを明確に定義し、共形推論に基づく監査機構を提案する。提案手法は最小限の仮定でI型エラー率を強く制御する。さらに,I型とII型の両方のエラーを,追加の仮定なしで同時に制御することが本質的に困難であることを示す。しかし,MLRの仮定では,監査機構が両誤差を効果的に制御する。また,有限サンプル状態におけるトレードオフ関数に対して有効な信頼帯域を構築するために,提案手法を拡張した。

関連論文リスト

Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文参考訳（メタデータ） (2025-02-11T19:24:09Z)
General-Purpose $f$-DP Estimation and Auditing in a Black-Box Setting [7.052531099272798]
統計的に$f$-Differential Privacy(f$-DP)を評価する新しい手法を提案する。異なるプライベートメカニズムをデプロイする際の課題は、DPが検証しにくいことである。我々は,このプライバシー概念に対する既存のアプローチとは異なり,研究対象アルゴリズムの事前知識を必要としない,$f$-DPのための新しいブラックボックス手法を導入する。
論文参考訳（メタデータ） (2025-02-10T21:58:17Z)
Auditing Differential Privacy Guarantees Using Density Estimation [3.830092569453011]
DP機構の差分プライバシー保証を正確に評価するための新しい手法を提案する。特に、我々のソリューションは、機械学習(ML)モデルのDP保証の監査に適用できる。
論文参考訳（メタデータ） (2024-06-07T10:52:15Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文参考訳（メタデータ） (2023-07-06T04:13:57Z)
Simulation-based, Finite-sample Inference for Privatized Data [14.218697973204065]
本稿では,統計的に有効な信頼区間と仮説テストを生成するためのシミュレーションベースの"repro sample"手法を提案する。本手法は様々な個人推論問題に適用可能であることを示す。
論文参考訳（メタデータ） (2023-03-09T15:19:31Z)
Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
プライベート機械学習では、既存の監査メカニズムは厳格である。彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
論文参考訳（メタデータ） (2023-02-15T21:40:33Z)
Differentially Private Counterfactuals via Functional Mechanism [47.606474009932825]
本稿では,デプロイされたモデルや説明セットに触れることなく,差分的プライベート・カウンティファクト(DPC)を生成する新しいフレームワークを提案する。特に、ノイズの多いクラスプロトタイプを構築するための機能機構を備えたオートエンコーダを訓練し、次に潜伏プロトタイプからDPCを導出する。
論文参考訳（メタデータ） (2022-08-04T20:31:22Z)
Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文参考訳（メタデータ） (2022-03-09T01:55:59Z)
Tight Differential Privacy for Discrete-Valued Mechanisms and for the Subsampled Gaussian Mechanism Using FFT [6.929834518749884]
離散的な1次元の出力を持つアルゴリズムに対して,厳密な$(varepsilon,delta)$-privacy損失を評価するための数値会計法を提案する。本稿では,従来の文献と同等のプライバシーで,ノイズ分散を最大75%低減できることを示す。
論文参考訳（メタデータ） (2020-06-12T12:46:42Z)

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。