論文の概要: DPolicy: Managing Privacy Risks Across Multiple Releases with Differential Privacy

• arxiv url: http://arxiv.org/abs/2505.06747v1
• Date: Sat, 10 May 2025 19:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.023764
• Title: DPolicy: Managing Privacy Risks Across Multiple Releases with Differential Privacy
• Title（参考訳）: DPolicy: 異なるプライバシを持つ複数のリリースにおけるプライバシリスクの管理
• Authors: Nicolas Küchler, Alexander Viand, Hidde Lycklama, Anwar Hithnawi,
• Abstract要約: 差分プライバシー(DP)を用いた複数データリリースにおける累積プライバシーリスク管理システムDPolicyを提案する。 各リリースを個別に処理したり、単一の(グローバルな)DP保証を頼りにするような従来のアプローチとは異なり、当社のシステムは複数のDP保証を同時に検討する柔軟なフレームワークを採用している。 DPolicyは、プライバシー保証を形式化する高レベルのポリシー言語を導入し、伝統的にスコープとコンテキストに関する暗黙の仮定を明示している。
• 参考スコア（独自算出の注目度）: 44.27723721899118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differential Privacy (DP) has emerged as a robust framework for privacy-preserving data releases and has been successfully applied in high-profile cases, such as the 2020 US Census. However, in organizational settings, the use of DP remains largely confined to isolated data releases. This approach restricts the potential of DP to serve as a framework for comprehensive privacy risk management at an organizational level. Although one might expect that the cumulative privacy risk of isolated releases could be assessed using DP's compositional property, in practice, individual DP guarantees are frequently tailored to specific releases, making it difficult to reason about their interaction or combined impact. At the same time, less tailored DP guarantees, which compose more easily, also offer only limited insight because they lead to excessively large privacy budgets that convey limited meaning. To address these limitations, we present DPolicy, a system designed to manage cumulative privacy risks across multiple data releases using DP. Unlike traditional approaches that treat each release in isolation or rely on a single (global) DP guarantee, our system employs a flexible framework that considers multiple DP guarantees simultaneously, reflecting the diverse contexts and scopes typical of real-world DP deployments. DPolicy introduces a high-level policy language to formalize privacy guarantees, making traditionally implicit assumptions on scopes and contexts explicit. By deriving the DP guarantees required to enforce complex privacy semantics from these high-level policies, DPolicy enables fine-grained privacy risk management on an organizational scale. We implement and evaluate DPolicy, demonstrating how it mitigates privacy risks that can emerge without comprehensive, organization-wide privacy risk management.
• Abstract（参考訳）: 差別化プライバシ(DP)は、プライバシ保護データリリースのための堅牢なフレームワークとして登場し、2020年の米国国勢調査のような著名なケースでうまく適用されている。 しかし、組織的な設定では、DPの使用は主に独立したデータリリースに限られている。 このアプローチは、DPが組織レベルでの包括的なプライバシーリスク管理の枠組みとして機能する可能性を制限する。 分離されたリリースの累積的なプライバシーリスクは、DPの組成特性を用いて評価できると期待できるかもしれないが、実際には個々のDP保証は特定のリリースに合わせて調整されることが多く、それらの相互作用や複合的な影響を推論することは困難である。 同時に、より簡単に構成できる調整の少ないDP保証は、制限された意味を伝達する過度に大きなプライバシー予算につながるため、限られた洞察しか提供しない。 これらの制約に対処するため、DPolicyは、DPを用いて複数のデータリリースにまたがる累積プライバシーリスクを管理するように設計されたシステムである。 各リリースを個別に扱う、あるいは単一の(グローバルな)DP保証に依存する従来のアプローチとは異なり、我々のシステムは複数のDP保証を同時に考慮し、現実世界のDPデプロイメントに典型的な多様なコンテキストとスコープを反映する柔軟なフレームワークを採用している。 DPolicyは、プライバシー保証を形式化する高レベルのポリシー言語を導入し、伝統的にスコープとコンテキストに関する暗黙の仮定を明示している。 DPolicyは、これらの高レベルのポリシーから複雑なプライバシーセマンティクスを強制するために必要なDP保証を導出することにより、組織規模できめ細かなプライバシーリスク管理を可能にする。 我々はDPolicyの実装と評価を行い、組織全体のプライバシーリスク管理を伴わずに出現するプライバシーリスクを緩和する方法を実証した。

関連論文リスト

• Can Differentially Private Fine-tuning LLMs Protect Against Privacy Attacks? [8.189149471520542]
  細調整された大規模言語モデル(LLM)は、特定のタスクに適応するための重要な戦略となっている。 差分プライバシー(DP)はそのような漏洩に対して強力な理論的保証を提供するが、LLMにおける経験的プライバシーの有効性は未だ不明である。 本稿では,DPが微調整方法やプライバシー予算に与える影響を体系的に検討する。
  論文  参考訳（メタデータ） (2025-04-28T05:34:53Z)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• Differential Confounding Privacy and Inverse Composition [32.85314813605347]
  本稿では,Pufferfishプライバシーフレームワークの特殊な形式であるtextitdifferential confounding Privacy (DCP)を紹介する。 DCP機構は, 構成上のプライバシー保証を保っているが, DPの優雅な構成特性は欠如していることが示されている。 我々は、リーダ・フォロワーモデルがターゲット保証を達成するためのプライバシ戦略を最適に設計する、textitInverse Composition (IC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-21T21:45:13Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• Differentially Private Regret Minimization in Episodic Markov Decision Processes [6.396288020763144]
  差分プライバシー(DP)制約下における有限地平線表型マルコフ決定過程(MDP)の後悔について検討する。 これは、実世界の逐次意思決定問題における強化学習(RL)の広範な応用が動機となっている。
  論文  参考訳（メタデータ） (2021-12-20T15:12:23Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。