論文の概要: Local Distance Query with Differential Privacy

• arxiv url: http://arxiv.org/abs/2508.05518v1
• Date: Thu, 07 Aug 2025 15:48:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.942043
• Title: Local Distance Query with Differential Privacy
• Title（参考訳）: 差分プライバシーを用いた局所距離クエリ
• Authors: Weihong Sheng, Jiajun Chen, Bin Cai, Chunqiang Hu, Meng Han, Jiguo Yu,
• Abstract要約: グラフ解析における重要な要素である距離は、典型的にはキュレーターDPを用いて処理される。 多くの実世界のシナリオでは、そのようなキュレーターは存在しない可能性があり、ローカル微分プライバシー(LDP)の下で微分プライベートな距離クエリを実装する上で重要な課題となっている。
• 参考スコア（独自算出の注目度）: 37.18488513802541
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Differential Privacy (DP) is commonly employed to safeguard graph analysis or publishing. Distance, a critical factor in graph analysis, is typically handled using curator DP, where a trusted curator holds the complete neighbor lists of all vertices and answers queries privately. However, in many real-world scenarios, such a curator may not be present, posing a significant challenge for implementing differentially private distance queries under Local Differential Privacy (LDP). This paper proposes two approaches to address this challenge. The first approach generates a synthetic graph by randomizing responses and applies bitwise operations to reduce noise interference. However, like other synthetic graph methods, this approach suffers from low utility. To overcome this limitation, we propose a second approach, the first LDP method specifically designed for distance queries, which captures the global graph structure by continuously aggregating local distance vectors from neighboring vertices. This process enables the accurate updating of global distances. We demonstrate the effectiveness of our method through comprehensive theoretical analysis and experimental evaluations on real-world datasets.
• Abstract（参考訳）: 微分プライバシー(DP)は、グラフ解析やパブリッシングの保護に一般的に用いられる。 グラフ解析において重要な要素である距離は、典型的にはキュレーターDPを用いて扱われ、信頼できるキュレーターは全ての頂点の完全な隣接リストを保持し、クエリをプライベートに答える。 しかし、現実の多くのシナリオでは、そのようなキュレーターは存在せず、ローカル微分プライバシー(LDP)の下で微分プライベートな距離クエリを実装する上で重要な課題となっている。 本稿では,この問題に対処する2つのアプローチを提案する。 第1のアプローチは、応答をランダム化して合成グラフを生成し、ノイズ干渉を低減するためにビットワイズ演算を適用する。 しかし、他の合成グラフ法と同様に、このアプローチは低ユーティリティに悩まされる。 この制限を克服するために,隣接する頂点から局所距離ベクトルを連続的に集約することにより,グローバルグラフ構造をキャプチャする,距離問合せに特化して設計された第2の LDP 手法を提案する。 このプロセスは、地球距離の正確な更新を可能にする。 提案手法の有効性を,実世界のデータセット上での包括的理論的解析と実験的評価により実証する。

関連論文リスト

• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Practical and Accurate Local Edge Differentially Private Graph Algorithms [11.593320678280824]
  我々は、kコア分解と三角形カウントという2つの基本グラフ統計量に対して、新しい LDP アルゴリズムを導入する。 提案手法は、入力依存のプライベートグラフ特性、特にグラフの退化性と最大度を活用して、理論的有用性を向上させる。 我々のkコア分解は正確な値の3倍以内の誤差を達成し、Dhulipalaなどのベースラインで131倍の誤差をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-06-25T20:54:07Z)
• The Cost of Shuffling in Private Gradient Based Optimization [40.31928071333575]
  その結果, DP-ShuffleGはDP-SGDと比較して, データのシャッフル処理により過大なリスクが生じることがわかった。 我々は、プライベートな最適化に公開データサンプルを統合するハイブリッドアプローチである textitInterleaved-ShuffleG を提案する。
  論文  参考訳（メタデータ） (2025-02-05T22:30:00Z)
• Deep Efficient Private Neighbor Generation for Subgraph Federated Learning [57.39918843245229]
  そこで我々は,FedDEPを提案する。FedDEPは,部分グラフの欠落が原因で,局所的な部分グラフ上での不完全な情報伝達に対処する。 FedDEPは,(1)GNN埋め込みを利用した深部近傍世代,(2)埋め込みプロトタイピングによる近接世代に対する効率的な擬似FL,(3)ノイズのないエッジ局所微分プライバシによるプライバシ保護という,一連の新しい技術設計で構成されている。
  論文  参考訳（メタデータ） (2024-01-09T03:29:40Z)
• Graph Learning Across Data Silos [10.448384704100684]
  本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。 データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。 本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-17T02:14:57Z)
• Differentially Private Heatmaps [41.787298418108534]
  ユーザのプライバシーを保護しながら,ユーザの集約データからヒートマップを生成するタスクについて検討する。 このタスクに対して差分プライベート(DP)アルゴリズムを提案し、実世界のデータセット上で従来のアルゴリズムよりも優位性を示す。
  論文  参考訳（メタデータ） (2022-11-24T07:47:34Z)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• Private Stochastic Non-Convex Optimization: Adaptive Algorithms and Tighter Generalization Bounds [72.63031036770425]
  有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。 標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2020-06-24T06:01:24Z)
• Continuous Release of Data Streams under both Centralized and Local Differential Privacy [30.998501044718548]
  差分プライバシ(DP)を満たす実数値データストリームの公開問題について検討する。 最大の課題は、最大値が非常に大きいことだ。 本研究では,実用目標をよく近似する品質関数を備えた指数メカニズムを用いた手法を開発した。
  論文  参考訳（メタデータ） (2020-05-24T14:25:49Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。