論文の概要: Dual Protection Ring: User Profiling Via Differential Privacy and Service Dissemination Through Private Information Retrieval

• arxiv url: http://arxiv.org/abs/2506.13170v1
• Date: Mon, 16 Jun 2025 07:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.686898
• Title: Dual Protection Ring: User Profiling Via Differential Privacy and Service Dissemination Through Private Information Retrieval
• Title（参考訳）: 二重保護リング - 個人情報検索によるユーザプロファイリングとサービス普及
• Authors: Imdad Ullah, Najm Hassan, Tariq Ahamed Ahangar, Zawar Hussain Shah, Mehregan Mahdavi Andrew Levula,
• Abstract要約: 我々は、個人化されたサービスを評価するために、機密性の高いプライベート属性と、差分プライバシーに基づく同等のプロファイルを含むユーザプロファイルを開発する。 我々は、個人化されたサービスを、異なる個人プロファイルに対して検索するために、異なる種類のプライベート情報検索(PIR)を使用する。 実験の結果,PIR方式の違いによる処理遅延は,現在の広告システムと類似していることがわかった。
• 参考スコア（独自算出の注目度）: 0.6990493129893112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User profiling is crucial in providing personalised services, as it relies on analysing user behaviour and preferences to deliver targeted services. This approach enhances user experience and promotes heightened engagement. Nevertheless, user profiling also gives rise to noteworthy privacy considerations due to the extensive tracking and monitoring of personal data, potentially leading to surveillance or identity theft. We propose a dual-ring protection mechanism to protect user privacy by examining various threats to user privacy, such as behavioural attacks, profiling fingerprinting and monitoring, profile perturbation, etc., both on the user and service provider sides. We develop user profiles that contain sensitive private attributes and an equivalent profile based on differential privacy for evaluating personalised services. We determine the entropy of the resultant profiles during each update to protect profiling attributes and invoke various processes, such as data evaporation, to artificially increase entropy or destroy private profiling attributes. Furthermore, we use different variants of private information retrieval (PIR) to retrieve personalised services against differentially private profiles. We implement critical components of the proposed model via a proof-of-concept mobile app to demonstrate its applicability over a specific case study of advertising services, which can be generalised to other services. Our experimental results show that the observed processing delays with different PIR schemes are similar to the current advertising systems.
• Abstract（参考訳）: ユーザプロファイリングはパーソナライズされたサービスの提供に不可欠である。 このアプローチはユーザエクスペリエンスを高め、エンゲージメントを高める。 それでもユーザプロファイリングは、個人情報の広範囲の追跡と監視のため、注目すべきプライバシー上の考慮を生じさせ、監視や個人情報盗難につながる可能性がある。 本稿では,ユーザプライバシ保護のための二重リング保護機構を提案する。行動攻撃や指紋のプロファイリング,監視,プロファイルの摂動など,ユーザのプライバシに対するさまざまな脅威をユーザ側とサービス側の両方で検証することで,ユーザプライバシ保護を実現する。 我々は、個人化されたサービスを評価するために、機密性の高いプライベート属性と、差分プライバシーに基づく同等のプロファイルを含むユーザプロファイルを開発する。 更新毎に得られたプロファイルのエントロピーを決定し、プロファイリング属性を保護し、データ蒸発などの様々なプロセスを実行し、エントロピーを人工的に増加させたり、プライベートなプロファイリング属性を破壊したりする。 さらに,個人化されたサービスから個人プロファイルを抽出するために,個人情報検索(PIR)の異なるバリエーションを用いる。 提案モデルの重要なコンポーネントを,概念実証モバイルアプリを通じて実装し,他のサービスに一般化可能な,広告サービスの特定のケーススタディに対する適用性を実証する。 実験の結果,PIR方式の違いによる処理遅延は,現在の広告システムと類似していることがわかった。

関連論文リスト

• Inference Privacy: Properties and Mechanisms [8.471466670802817]
  推論プライバシ(IP)は、推論時にユーザのデータに対して厳格なプライバシ保証を提供しながら、モデルと対話することを可能にする。 本稿では,ユーザがカスタマイズ可能な入力摂動と出力摂動という,IPを実現するための2つのメカニズムを提案する。
  論文  参考訳（メタデータ） (2024-11-27T20:47:28Z)
• 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)
• PrivacyRestore: Privacy-Preserving Inference in Large Language Models via Privacy Removal and Restoration [20.05248442344211]
  PrivacyRestoreは、推論中のユーザの入力のプライバシを保護するためのプラグイン・アンド・プレイ方式である。 プライバシストアの有効性を評価するために、医療ドメインと法律ドメインをカバーする3つのデータセットを作成します。
  論文  参考訳（メタデータ） (2024-06-03T14:57:39Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• Partial sensitivity analysis in differential privacy [58.730520380312676]
  それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。 プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。 また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
  論文  参考訳（メタデータ） (2021-09-22T08:29:16Z)

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。