論文の概要: Bistochastically private release of longitudinal data

• arxiv url: http://arxiv.org/abs/2508.10606v1
• Date: Thu, 14 Aug 2025 12:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.317657
• Title: Bistochastically private release of longitudinal data
• Title（参考訳）: 縦断的プライベートなデータ公開
• Authors: Nicolas Ruiz,
• Abstract要約: 経時的データ、すなわち 複数の期間にわたって観察された個人は、ますます収集される。 一般的なプライバシーツールのk匿名性に基づく拡張は、長手データによる課題に対処するために提案されているものはほとんどない。 本稿では,匿名化のための簡単なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although the bulk of the research in privacy and statistical disclosure control is designed for cross-sectional data, i.e. data where individuals are observed at one single point in time, longitudinal data, i.e. individuals observed over multiple periods, are increasingly collected. Such data enhance undoubtedly the possibility of statistical analysis compared to cross-sectional data, but also come with one additional layer of information, individual trajectories, that must remain practically useful in a privacy-preserving way. Few extensions, essentially k-anonymity based, of popular privacy tools have been proposed to deal with the challenges posed by longitudinal data, and these proposals are often complex. By considering randomized response, and specifically its recent bistochastic extension, in the context of longitudinal data, this paper proposes a simple approach for their anonymization. After having characterized new results on bistochastic matrices, we show that a simple relationship exists between the protection of each data set released at each period, and the protection of individuals trajectories over time. In turn, this relationship can be tuned according to desired protection and information requirements. We illustrate the application of the proposed approach by an empirical example.
• Abstract（参考訳）: プライバシーと統計的開示制御の研究の大部分は、横断的なデータのために設計されているが、例えば1つの時点に個人が観測されるデータ、すなわち複数の期間にわたって観察される個人が収集される。 このようなデータは、横断的なデータに比べて統計的分析の可能性は間違いなく向上するが、プライバシー保護の方法として実用的に有用でなければならない情報層である個々のトラジェクトリも追加されている。 一般的なプライバシーツールのk-匿名性に基づく拡張は、長手データによって引き起こされる課題に対処するために提案されているものはほとんどなく、これらの提案はしばしば複雑である。 本稿では, ランダム化応答, 特に近年のビスメカティック拡張について, 時系列データの観点から検討し, 匿名化のための簡単なアプローチを提案する。 その結果, 各期間に放出された各データセットの保護と, 時間経過に伴う個人トラジェクトリの保護との間には, 単純な関係があることが判明した。 この関係は、望ましい保護と情報要求に応じて調整することができる。 提案手法の応用を実証的な例で説明する。

関連論文リスト

• Investigating Vulnerabilities of GPS Trip Data to Trajectory-User Linking Attacks [49.1574468325115]
  単一旅行からなるGPS旅行データセットにおいて,ユーザ識別子を再構築する新たな攻撃を提案する。 個人識別が削除された場合でも再識別のリスクは大きい。 さらなる調査では、少数の人しか訪れていない場所を頻繁に訪れているユーザーは、再識別に弱い傾向にあることが示されている。
  論文  参考訳（メタデータ） (2025-02-12T08:54:49Z)
• Bistochastically private release of data streams with zero delay [0.0]
  本稿では、正式なプライバシー保証を示しながら遅延をゼロにするデータストリームの匿名化のためのプロトコルを提案する。 ストリームを入力した個人に対して,バッチ処理ではなく,アトミックな処理を実現することが可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-25T14:18:14Z)
• Federated Experiment Design under Distributed Differential Privacy [31.06808163362162]
  我々は,サービス提供者に対する信頼を最小限にしつつ,ユーザのプライバシの厳格な保護に注力する。 現代のA/Bテストにおいて重要な要素であるが、これまではプライベート分散実験は研究されていない。 これらのメカニズムは、実際に一般的に見られる非常に多くの参加者を扱うために、どのようにスケールアップできるかを示す。
  論文  参考訳（メタデータ） (2023-11-07T22:38:56Z)
• Simulation-based Bayesian Inference from Privacy Protected Data [0.0]
  プライバシ保護されたデータセットからのシミュレーションに基づく推論手法を提案する。 本稿では,感染性疾患モデルと通常の線形回帰モデルに基づく個別時系列データについて述べる。
  論文  参考訳（メタデータ） (2023-10-19T14:34:17Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Continual Release of Differentially Private Synthetic Data from Longitudinal Data Collections [19.148874215745135]
  本研究では,縦方向のデータ収集から微分プライベートな合成データを連続的に放出する問題について検討する。 各ステップごとに、各ステップが新しいデータ要素をレポートするモデルを導入します。 本稿では,2種類のクエリを連続的に保存する合成データ生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-13T16:22:08Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
  本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。 属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。 また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
  論文  参考訳（メタデータ） (2022-08-24T17:52:43Z)
• Releasing survey microdata with exact cluster locations and additional privacy safeguards [77.34726150561087]
  本稿では,プライバシ保護を付加した独自のマイクロデータの有用性を活用した,代替的なマイクロデータ配信戦略を提案する。 当社の戦略は, 再識別の試みにおいても, 任意の属性に対する再識別リスクを60～80%削減する。
  論文  参考訳（メタデータ） (2022-05-24T19:37:11Z)
• Hide-and-Seek Privacy Challenge [88.49671206936259]
  NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。 我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
  論文  参考訳（メタデータ） (2020-07-23T15:50:59Z)

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。