論文の概要: Big Bird: Privacy Budget Management for W3C's Privacy-Preserving Attribution API
- arxiv url: http://arxiv.org/abs/2506.05290v1
- Date: Thu, 05 Jun 2025 17:45:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.864841
- Title: Big Bird: Privacy Budget Management for W3C's Privacy-Preserving Attribution API
- Title（参考訳）: Big Bird: W3Cのプライバシ保護属性APIのプライバシ予算管理
- Authors: Pierre Tholoniat, Alison Caulfield, Giorgio Cavicchioli, Mark Chen, Nikos Goutzoulias, Benjamin Case, Asaf Cidon, Roxana Geambasu, Mathias Lécuyer, Martin Thomson,
- Abstract要約: プライバシー保護属性(PPA)のためのプライバシ予算マネージャであるBig Birdを紹介します。
Big Birdはクォータ予算によるユーティリティ保存の制限を強制し、新しいバッチスケジューリングアルゴリズムによってグローバルな予算利用を改善する。
われわれはFirefoxでBig Birdを実装し、実世界の広告データで評価し、そのレジリエンスと効果を実証した。
- 参考スコア（独自算出の注目度）: 4.162760892964329
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Privacy-preserving advertising APIs like Privacy-Preserving Attribution (PPA) are designed to enhance web privacy while enabling effective ad measurement. PPA offers an alternative to cross-site tracking with encrypted reports governed by differential privacy (DP), but current designs lack a principled approach to privacy budget management, creating uncertainty around critical design decisions. We present Big Bird, a privacy budget manager for PPA that clarifies per-site budget semantics and introduces a global budgeting system grounded in resource isolation principles. Big Bird enforces utility-preserving limits via quota budgets and improves global budget utilization through a novel batched scheduling algorithm. Together, these mechanisms establish a robust foundation for enforcing privacy protections in adversarial environments. We implement Big Bird in Firefox and evaluate it on real-world ad data, demonstrating its resilience and effectiveness.
- Abstract（参考訳）: プライバシ保護属性(PPA)のようなプライバシ保護広告APIは、効果的な広告測定を可能にしながら、Webプライバシを強化するように設計されている。
PPAは、ディファレンシャルプライバシ(DP)が管理する暗号化レポートによるクロスサイト追跡の代替手段を提供するが、現在の設計ではプライバシ予算管理に対する原則的なアプローチが欠如しており、重要な設計決定に関する不確実性を生み出している。
我々は、PPAのプライバシー予算マネージャであるBig Birdを紹介し、サイトごとの予算セマンティクスを明確にし、リソース分離原則に基づくグローバル予算システムを紹介します。
Big Birdはクォータ予算によるユーティリティ保存の制限を強制し、新しいバッチスケジューリングアルゴリズムによってグローバルな予算利用を改善する。
これらのメカニズムが組み合わさって、敵の環境におけるプライバシー保護を強化するための堅牢な基盤を確立する。
われわれはFirefoxでBig Birdを実装し、実世界の広告データで評価し、そのレジリエンスと効果を実証した。
関連論文リスト
- Optimal Allocation of Privacy Budget on Hierarchical Data Release [48.96399034594329]
本稿では,階層データリリースにおける最適プライバシ予算割り当ての問題に対処する。
データの粒度とプライバシー損失のトレードオフを考慮しつつ、全プライバシー予算の対象となるデータユーティリティの最大化を目指している。
論文 参考訳（メタデータ） (2025-05-16T05:25:11Z) - Cookie Monster: Efficient On-device Budgeting for Differentially-Private Ad-Measurement Systems [3.0175040505598707]
本稿では、既存のプライバシー保護広告計測APIを強化する取り組みについて述べる。
Google、Apple、Meta、Mozillaのデザインを分析し、より厳格で効率的な差分プライバシー(DP)予算コンポーネントでそれらを強化します。
われわれのアプローチはCookie Monsterと呼ばれ、よく定義されたDP保証を強制し、広告主がよりプライベートな測定クエリを正確に実行できるようにする。
論文 参考訳（メタデータ） (2024-05-26T23:27:27Z) - Privacy-Preserving Billing for Local Energy Markets [1.1823918493146686]
本稿では,地域エネルギー市場(PBP-LEM)に対するプライバシ保護請求プロトコルを提案する。
PBP-LEMにより、市場団体のグループは、正しさを犠牲にすることなく、分散的でプライバシー保護的な方法で参加者の請求書を共同で計算することができる。
論文 参考訳（メタデータ） (2024-04-24T14:12:56Z) - Chained-DP: Can We Recycle Privacy Budget? [18.19895364709435]
本稿では,ユーザが順次データアグリゲーションを実行し,プライバシ予算を再利用することのできる,新しいChained-DPフレームワークを提案する。
逐次ゲームの数学的性質を示し、そのナッシュ平衡を解き、証明可能な経済特性を持つインセンティブメカニズムを設計する。
提案手法の有効性を数値シミュレーションにより検証し,従来のLPP機構と比較して,プライバシ予算の大幅な削減と推定誤差の低減を図った。
論文 参考訳（メタデータ） (2023-09-12T08:07:59Z) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳（メタデータ） (2023-05-24T13:44:02Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。
プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。
以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文 参考訳（メタデータ） (2021-12-11T15:23:28Z) - 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。