論文の概要: Reveal-or-Obscure: A Differentially Private Sampling Algorithm for Discrete Distributions
- arxiv url: http://arxiv.org/abs/2504.14696v1
- Date: Sun, 20 Apr 2025 18:20:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 20:45:09.254459
- Title: Reveal-or-Obscure: A Differentially Private Sampling Algorithm for Discrete Distributions
- Title（参考訳）: Reveal-or-Obscure:離散分布の差分サンプリングアルゴリズム
- Authors: Naima Tasnim, Atefeh Gilani, Lalitha Sankar, Oliver Kosut,
- Abstract要約: 本稿では,ROO ( reveal-or-obscure) と呼ばれる差分プライベート (DP) アルゴリズムを提案する。
ROOは、経験的分布を「調査」するか「観察」するかをランダムに選択することで、$epsilon$-differential privacyを達成する。
我々は,DS-ROOが$epsilon$-DPを満たすことを証明し,バニラROOと同じプライバシー予算の下でDS-ROOがより良い実用性を実現するという実証的な証拠を提供する。
- 参考スコア（独自算出の注目度）: 12.149550080095919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a differentially private (DP) algorithm called reveal-or-obscure (ROO) to generate a single representative sample from a dataset of $n$ observations drawn i.i.d. from an unknown discrete distribution $P$. Unlike methods that add explicit noise to the estimated empirical distribution, ROO achieves $\epsilon$-differential privacy by randomly choosing whether to "reveal" or "obscure" the empirical distribution. While ROO is structurally identical to Algorithm 1 proposed by Cheu and Nayak (arXiv:2412.10512), we prove a strictly better bound on the sampling complexity than that established in Theorem 12 of (arXiv:2412.10512). To further improve the privacy-utility trade-off, we propose a novel generalized sampling algorithm called Data-Specific ROO (DS-ROO), where the probability of obscuring the empirical distribution of the dataset is chosen adaptively. We prove that DS-ROO satisfies $\epsilon$-DP, and provide empirical evidence that DS-ROO can achieve better utility under the same privacy budget of vanilla ROO.
- Abstract（参考訳）: 本研究では、未知の離散分布$P$から引き出された$n$観測のデータセットから単一の代表サンプルを生成するために、ROO( reveal-or-obscure)と呼ばれる差分プライベート(DP)アルゴリズムを導入する。
推定経験分布に明示的なノイズを加える方法とは異なり、ROOは経験分布を「調査」するか「観測」するかをランダムに選択することで、$\epsilon$-differential privacyを達成する。
ROO は Cheu と Nayak (arXiv:2412.10512) によって提案されたアルゴリズム 1 と構造的に同一であるが、サンプリングの複雑さは Theorem 12 (arXiv:2412.10512) で確立されたものよりも厳密に優れている。
プライバシとユーティリティのトレードオフをさらに改善するため,DS-ROO (Data-Specific ROO) と呼ばれる新しい汎用サンプリングアルゴリズムを提案する。
我々は,DS-ROOが$\epsilon$-DPを満たすことを証明し,バニラROOと同じプライバシー予算の下でDS-ROOがより良い実用性を実現するという実証的な証拠を提供する。
関連論文リスト
- Differentially Private Multi-Sampling from Distributions [4.292685318253575]
本研究は,DPエフェッスルサンプリングのサンプル複雑性,すなわち,このタスクの実行に必要なサンプルの最小数について検討する。
エンフルティサンプリングの2つの変種を定義し、そこでは、プライベートに$m>1$サンプルを近似することを目的としている。
論文 参考訳（メタデータ） (2024-12-13T19:14:05Z) - Statistical Inference for Privatized Data with Unknown Sample Size [7.933465724913661]
非有界差分プライバシー(DP)における民生データ分析のための理論とアルゴリズムの両方を開発する。
非有界DPと有界DPのサンプリング分布間の距離は、サンプルサイズ$n$が無限に近づくにつれてゼロになることを示す。
論文 参考訳（メタデータ） (2024-06-10T13:03:20Z) - Tractable MCMC for Private Learning with Pure and Gaussian Differential Privacy [23.12198546384976]
後方サンプリングは$varepsilon$-pure差分プライバシー保証を提供する。
これは、$(varepsilon,delta)$-approximate DPによって引き起こされた潜在的に束縛されていないプライバシー侵害に悩まされない。
しかし実際には、マルコフ連鎖モンテカルロのような近似的なサンプリング手法を適用する必要がある。
論文 参考訳（メタデータ） (2023-10-23T07:54:39Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-23T20:27:40Z) - Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。
各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。
第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
論文 参考訳（メタデータ） (2023-02-18T09:24:15Z) - Differentially Private Sampling from Distributions [1.452875650827562]
一部の体制では、プライベートサンプリングは非プライベートに$P$の記述を学ぶよりも少ない観察を必要とする。
分布のクラスによっては,非私的学習と比較して,私的学習に必要な観測回数のオーバーヘッドは,私的サンプリングに必要な観測回数によって完全に把握される。
論文 参考訳（メタデータ） (2022-11-15T14:56:42Z) - Differential Privacy of Dirichlet Posterior Sampling [0.0]
ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。
トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
論文 参考訳（メタデータ） (2021-10-03T07:41:19Z) - Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy
Amplification by Shuffling [49.43288037509783]
ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。
私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
論文 参考訳（メタデータ） (2020-12-23T17:07:26Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-07-24T05:18:17Z) - RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial
Network [75.81653258081435]
GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。
しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。
本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
論文 参考訳（メタデータ） (2020-07-04T09:51:02Z) - Private Stochastic Non-Convex Optimization: Adaptive Algorithms and
Tighter Generalization Bounds [72.63031036770425]
有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。
標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2020-06-24T06:01:24Z)
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。
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。