論文の概要: Quantifying Classifier Utility under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2507.02727v1
• Date: Thu, 03 Jul 2025 15:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.569748
• Title: Quantifying Classifier Utility under Local Differential Privacy
• Title（参考訳）: 地域差分プライバシに基づく分類用ユーティリティの定量化
• Authors: Ye Zheng, Yidan Hu,
• Abstract要約: ローカルディファレンシャルプライバシ(LDP)は、データソースに摂動を導入することで、個人データに対する定量的なプライバシ保証を提供する。 本稿では, LDP機構下での分類器の有効性を理論的に定量化するための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 5.90975025491779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local differential privacy (LDP) provides a rigorous and quantifiable privacy guarantee for personal data by introducing perturbation at the data source. However, quantifying the impact of these perturbations on classifier utility remains a theoretical challenge, particularly for complex or black-box classifiers. This paper presents a framework for theoretically quantifying classifier utility under LDP mechanisms. The key insight is that LDP perturbation is concentrated around the original data with a specific probability, transforming utility analysis of the classifier into its robustness analysis in this concentrated region. Our framework connects the concentration analysis of LDP mechanisms with the robustness analysis of classifiers. It treats LDP mechanisms as general distributional functions and classifiers as black-box functions, thus applicable to any LDP mechanism and classifier. A direct application of our utility quantification is guiding the selection of LDP mechanisms and privacy parameters for a given classifier. Notably, our analysis shows that a piecewise-based mechanism leads to better utility compared to alternatives in common scenarios. Using this framework alongside two novel refinement techniques, we conduct case studies on utility quantification for typical mechanism-classifier combinations. The results demonstrate that our theoretical utility quantification aligns closely with empirical observations, particularly when classifiers operate in lower-dimensional input spaces.
• Abstract（参考訳）: ローカルディファレンシャルプライバシ(LDP)は、データソースに摂動を導入することで、個人データに対する厳格で定量化されたプライバシ保証を提供する。 しかし、これらの摂動が分類器の効用に与える影響を定量化することは、特に複雑な分類器やブラックボックスの分類器にとって理論上の課題である。 本稿では, LDP機構下での分類器の有効性を理論的に定量化するための枠組みを提案する。 鍵となる洞察は、LDP摂動は、特定の確率で元のデータの周りに集中しており、分類器の実用性分析をこの集中領域の頑健性分析に変換することである。 本フレームワークは, LDP機構の濃度解析と分類器のロバスト性解析を結びつける。 LDP機構を一般的な分布関数として扱い、分類器をブラックボックス関数として扱い、任意のLDP機構や分類器に適用できる。 我々のユーティリティ定量化の直接的な応用は、与えられた分類器に対する LDP メカニズムとプライバシパラメータの選択を導くことである。 特に、我々の分析では、断片的なメカニズムが、一般的なシナリオでは代替手段よりも有用であることが示されています。 このフレームワークを2つの新しい改良手法と共に利用し、典型的なメカニズム-分類器の組み合わせに対する実用的定量化のケーススタディを行う。 以上の結果から,我々の理論的有用量化は,特に低次元入力空間における分類器の動作において,経験的観測と密接に一致していることが明らかとなった。

関連論文リスト

• Optimal Piecewise-based Mechanism for Collecting Bounded Numerical Data under Local Differential Privacy [5.258253745672122]
  ローカルディファレンシャルプライバシ(LDP)は、サードパーティプラットフォームが信頼できない場合でも、証明可能な個々のプライバシを提供するフレームワークとして示されている。 本稿では, LDP 下でのデータ有効性を最大化するために, ピースワイズ方式の最適設計について検討する。
  論文  参考訳（メタデータ） (2025-05-21T13:01:41Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Differentially Private Range Queries with Correlated Input Perturbation [9.169888822435757]
  本稿では,線形クエリに対して,不偏性,一貫性,統計的透明性,ユーティリティ要件に対する制御を実現するために,相関入力摂動を利用した微分プライベートなメカニズムのクラスを提案する。 我々の理論的および実証的な分析は、我々はほぼ最適の効用を達成し、他の方法と効果的に競合し、議論された全ての好ましい統計特性を維持できることを示す。
  論文  参考訳（メタデータ） (2024-02-10T23:42:05Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。