論文の概要: LDP$^3$: An Extensible and Multi-Threaded Toolkit for Local Differential Privacy Protocols and Post-Processing Methods
- arxiv url: http://arxiv.org/abs/2507.05872v1
- Date: Tue, 08 Jul 2025 10:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.933208
- Title: LDP$^3$: An Extensible and Multi-Threaded Toolkit for Local Differential Privacy Protocols and Post-Processing Methods
- Title（参考訳）: LDP$^3$: ローカル微分プライバシープロトコルと後処理のための拡張性とマルチスレッドツールキット
- Authors: Berkay Kemal Balioglu, Alireza Khodaie, Mehmet Emre Gursoy,
- Abstract要約: ローカルディファレンシャルプライバシ(LDP)は、プライバシ保護データ収集において顕著な概念となっている。
本稿では, LDP研究者や実践者を対象としたオープンソース, ベンチマーク, マルチスレッドツールキットである LDP$3 を提示する。
- 参考スコア（独自算出の注目度）: 1.0486921990935787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Local differential privacy (LDP) has become a prominent notion for privacy-preserving data collection. While numerous LDP protocols and post-processing (PP) methods have been developed, selecting an optimal combination under different privacy budgets and datasets remains a challenge. Moreover, the lack of a comprehensive and extensible LDP benchmarking toolkit raises difficulties in evaluating new protocols and PP methods. To address these concerns, this paper presents LDP$^3$ (pronounced LDP-Cube), an open-source, extensible, and multi-threaded toolkit for LDP researchers and practitioners. LDP$^3$ contains implementations of several LDP protocols, PP methods, and utility metrics in a modular and extensible design. Its modular design enables developers to conveniently integrate new protocols and PP methods. Furthermore, its multi-threaded nature enables significant reductions in execution times via parallelization. Experimental evaluations demonstrate that: (i) using LDP$^3$ to select a good protocol and post-processing method substantially improves utility compared to a bad or random choice, and (ii) the multi-threaded design of LDP$^3$ brings substantial benefits in terms of efficiency.
- Abstract（参考訳）: ローカルディファレンシャルプライバシ(LDP)は、プライバシ保護データ収集において顕著な概念となっている。
多くのLDPプロトコルと後処理(PP)メソッドが開発されているが、異なるプライバシー予算とデータセットの下で最適な組み合わせを選択することは依然として課題である。
さらに,拡張可能なLDPベンチマークツールキットの欠如により,新たなプロトコルやPPメソッドの評価が困難になる。
本稿では, LDP研究者や実践者を対象としたオープンソースの拡張可能なマルチスレッドツールキットである LDP$^3$ (LPP-Cube) について述べる。
LDP$^3$ には、モジュラーで拡張可能な設計でいくつかの LDP プロトコル、PP メソッド、ユーティリティメトリクスの実装が含まれている。
モジュール設計により、開発者は新しいプロトコルとPPメソッドを便利に統合できる。
さらに、マルチスレッドの性質は並列化による実行時間の大幅な削減を可能にする。
実験による評価は以下の通りである。
i) LDP$^3$ を用いて良いプロトコルを選択し、後処理法は、悪い選択やランダムな選択に比べて実用性を大幅に改善し、
(ii) LDP$^3$のマルチスレッド設計は効率の面で大きな利点をもたらす。
関連論文リスト
- Post-Processing in Local Differential Privacy: An Extensive Evaluation and Benchmark Platform [1.0486921990935787]
ローカルディファレンシャルプライバシ(LDP)は,ユーザのデバイスから機密データを収集,分析するための強力なパラダイムとして注目されている。
この問題を緩和するために、いくつかの後処理法(PP)が開発されている。
本稿では,DPプロトコルが6つ,PPメソッドが7つ,ユーティリティメトリクスが4つ,データセットが6つからなる拡張ベンチマークを提案する。
論文 参考訳（メタデータ） (2025-07-08T10:59:49Z) - Latent Preference Coding: Aligning Large Language Models via Discrete Latent Codes [54.93980123979578]
我々は、暗黙の要因をモデル化する新しいフレームワークであるLatent Preference Coding (LPC)を紹介する。
LPCは様々なオフラインアライメントアルゴリズムとシームレスに統合し、基礎となる要因とデータからその重要性を自動的に推測する。
論文 参考訳（メタデータ） (2025-05-08T06:59:06Z) - Revealing the True Cost of Locally Differentially Private Protocols: An Auditing Perspective [4.5282933786221395]
本稿では,ローカルな差分秘密機構のプライバシー損失を実証的に推定する LDP-Auditor フレームワークについて紹介する。
我々は、異なるエンコーディングや摂動機能の影響など、プライバシー監査に影響を与える要因を幅広く検討する。
LDP-Auditorフレームワークは,現在最先端のLPP Pythonパッケージにバグが発見されている。
論文 参考訳（メタデータ） (2023-09-04T13:29:19Z) - Optimality Guarantees for Particle Belief Approximation of POMDPs [55.83001584645448]
部分的に観測可能なマルコフ決定プロセス(POMDP)は、現実の意思決定と制御の問題に対する柔軟な表現を提供する。
POMDPは、特に状態と観測空間が連続的またはハイブリッドである場合、解決するのが非常に難しい。
本稿では,これらのアルゴリズムが使用する粒子フィルタリング手法の近似誤差を特徴付ける理論を提案する。
論文 参考訳（メタデータ） (2022-10-10T21:11:55Z) - One-bit Submission for Locally Private Quasi-MLE: Its Asymptotic
Normality and Limitation [3.050919759387985]
ローカルディファレンシャルプライバシ(英: Local differential privacy、LDP)は、信頼できないデータキュレーターを含む統計調査に適した情報理論のプライバシ定義である。
LDP QMLEを構築するには,長時間の待ち時間,通信コスト,ログ型関数の導関数の有界性仮定などにより,現実の大規模サーベイシステムの実装が困難である。
我々はこれらの問題なしに代替の LDP プロトコルを提供し、大規模なサーベイに容易にデプロイできる可能性がある。
論文 参考訳（メタデータ） (2022-02-15T05:04:59Z) - Lossless Compression of Efficient Private Local Randomizers [55.657133416044104]
Locally Differentially Private (LDP) Reportsは、フェデレーション設定における統計と機械学習の収集に一般的に使用されます。
多くの場合、最もよく知られたldpアルゴリズムは、クライアントデバイスからサーバに強制的に大きなメッセージを送信する必要がある。
これにより、LDPアルゴリズムの通信コストの削減に大きく貢献しています。
論文 参考訳（メタデータ） (2021-02-24T07:04:30Z) - Towards Differentially Private Text Representations [52.64048365919954]
信頼できないサーバ環境下で新しいディープラーニングフレームワークを開発する。
乱数化モジュールに対して、プライバシーパラメータ$epsilon$の精度への影響を低減するために、新しいローカル微分プライベート(LDP)プロトコルを提案する。
分析と実験により、我々のフレームワークは、非プライベートなフレームワークや既存のLDPプロトコルと同等またはそれ以上のパフォーマンスを提供することが示された。
論文 参考訳（メタデータ） (2020-06-25T04:42:18Z) - LDP-Fed: Federated Learning with Local Differential Privacy [14.723892247530234]
ローカルディファレンシャルプライバシ(LDP)を用いた正式なプライバシ保証を備えた新しいフェデレーション学習システム LDP-Fed を提案する。
既存のLPPプロトコルは、主に単一の数値またはカテゴリ値の収集におけるデータのプライバシを確保するために開発されている。
連合学習モデルでは、各参加者からパラメータの更新を反復的に収集する。
論文 参考訳（メタデータ） (2020-06-05T19:15:13Z)
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。