Fugu-MT 論文翻訳(概要): Practitioners' Perspectives on a Differential Privacy Deployment Registry

論文の概要: Practitioners' Perspectives on a Differential Privacy Deployment Registry

arxiv url: http://arxiv.org/abs/2509.13509v1
Date: Tue, 16 Sep 2025 20:15:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-18 18:41:50.639082
Title: Practitioners' Perspectives on a Differential Privacy Deployment Registry
Title（参考訳）: 異なるプライバシ配置レジストリに関する実践者の視点
Authors: Priyanka Nanayakkara, Elena Ghazi, Salil Vadhan,
Abstract要約: 微分プライバシー(DP)は、強力な数学的に証明可能なプライバシー保証を持つ統計データ製品を作成するための原則化されたアプローチである。 Dwork、Kohli、Mulliganは、DPデプロイメントのパブリック対応レジストリ(登録)を提案した。我々は、実践者がレジストリをどのように利用するかを理解するために、21の現実世界のDPデプロイメントを用いて調査を行っている。
参考スコア（独自算出の注目度）: 0.8105516788827453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Differential privacy (DP) -- a principled approach to producing statistical data products with strong, mathematically provable privacy guarantees for the individuals in the underlying dataset -- has seen substantial adoption in practice over the past decade. Applying DP requires making several implementation decisions, each with significant impacts on data privacy and/or utility. Hence, to promote shared learning and accountability around DP deployments, Dwork, Kohli, and Mulligan (2019) proposed a public-facing repository ("registry") of DP deployments. The DP community has recently started to work toward realizing this vision. We contribute to this effort by (1) developing a holistic, hierarchical schema to describe any given DP deployment and (2) designing and implementing an interactive interface to act as a registry where practitioners can access information about past DP deployments. We (3) populate our interface with 21 real-world DP deployments and (4) conduct an exploratory user study with DP practitioners ($n=16$) to understand how they would use the registry, as well as what challenges and opportunities they foresee around its adoption. We find that participants were enthusiastic about the registry as a valuable resource for evaluating prior deployments and making future deployments. They also identified several opportunities for the registry, including that it can become a "hub" for the community and support broader communication around DP (e.g., to legal teams). At the same time, they identified challenges around the registry gaining adoption, including the effort and risk involved with making implementation choices public and moderating the quality of entries. Based on our findings, we offer recommendations for encouraging adoption and increasing the registry's value not only to DP practitioners, but also to policymakers, data users, and data subjects.
Abstract（参考訳）: 差分プライバシー(DP) — 基礎となるデータセットの個人に対して、強力で数学的に証明可能なプライバシー保証を備えた統計データ製品を生成するための原則化されたアプローチ — は、過去10年間で、実際にかなり採用されている。 DPの適用にはいくつかの実装決定が必要で、それぞれがデータプライバシやユーティリティに重大な影響を与える。そのため、DPデプロイメントに関する共有学習と説明責任を促進するために、Dwork、Kohli、Mulligan (2019)は、DPデプロイメントのパブリック対応リポジトリ(レジストリ)を提案した。 DPコミュニティは最近、このビジョンの実現に向けて取り組み始めている。本研究は,(1)任意のDPデプロイメントを記述するための総合的階層スキーマを開発すること,(2)過去のDPデプロイメントに関する情報にアクセス可能なレジストリとして機能する対話型インターフェースの設計と実装を行うことによって,この取り組みに貢献する。 (3)現実のDP展開21件,(4)DP実践者との探索的ユーザスタディ(n=16$)を実施。参加者は、事前のデプロイメントを評価し、将来のデプロイメントを行うための貴重なリソースとして、レジストリに熱中していることに気付きました。彼らはまた、コミュニティの"ハブ"になり、DP(例えば法的チーム)に関する広範なコミュニケーションをサポートすることを含む、レジストリのいくつかの機会を特定した。同時に彼らは、実装の選択を公開し、エントリの品質を調整することに関わる労力とリスクを含む、レジストリの採用に関する課題を特定した。本研究は,DP実践者のみならず,政策立案者,データユーザ,データ課題者に対しても,採用促進とレジストリの価値向上を推奨するものである。

関連論文リスト

Advancing privacy in learning analytics using differential privacy [0.412484724941528]
本稿では、差分プライバシー(DP)を適用して新しいフレームワークを提案することにより、学習者のデータプライバシと学習分析(LA)データとのバランスをとるという課題に対処する。 LA用に特別に設計された最初のDPフレームワークを紹介し,その実装に関する実践的なガイダンスを提供する。我々は、このフレームワークをLA利用シナリオを通じて実演し、よく知られたLAデータセットの実験を通して、潜在的攻撃に対するデータプライバシ保護におけるDPの有効性を検証する。
論文参考訳（メタデータ） (2025-01-03T12:36:11Z)
SoK: Usability Studies in Differential Privacy [3.2703125808871247]
差分プライバシー(DP)は、個人プライバシをデータ分析で保護するための重要なアプローチとして登場した。本稿では,DPのユーザビリティに関する既存研究の包括的体系化について述べる。
論文参考訳（メタデータ） (2024-12-22T02:21:57Z)
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)
Incentives in Private Collaborative Machine Learning [56.84263918489519]
コラボレーション型機械学習は、複数のパーティのデータに基づいてモデルをトレーニングする。インセンティブとして差分プライバシー(DP)を導入する。合成および実世界のデータセットに対するアプローチの有効性と実用性を実証的に実証した。
論文参考訳（メタデータ） (2024-04-02T06:28:22Z)
Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文参考訳（メタデータ） (2024-03-19T17:54:49Z)
Selectivity Drives Productivity: Efficient Dataset Pruning for Enhanced Transfer Learning [66.20311762506702]
データセットプルーニング(DP)は、データ効率を改善する効果的な方法として登場した。本稿では,ラベルマッピングと特徴マッピングという2つの新しいDP手法を提案する。ダウンストリーム性能を犠牲にすることなく、ソースデータクラスを最大40%まで刈り取ることができることを示す。
論文参考訳（メタデータ） (2023-10-13T00:07:49Z)
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)
Evaluating the Usability of Differential Privacy Tools with Data Practitioners [4.072285093323275]
差別化プライバシ(DP)は、プライバシを保存するデータ分析において、ゴールドスタンダードとなっているが、現実のデータセットやシステムに実装することは依然として困難である。近年開発されているDPツールは,DPの実装を容易にすることを目的としているが,これらのDPツールのユーザビリティについて限定的な研究がなされている。我々は,PythonベースのオープンソースDPツールであるDiffPrivLib,Tumult Analytics,PipelineDP,OpenDPのユーザビリティを評価した。
論文参考訳（メタデータ） (2023-09-24T00:10:47Z)
ULDP-FL: Federated Learning with Across Silo User-Level Differential Privacy [19.017342515321918]
Differentially Private Federated Learning (DP-FL)は、正式なプライバシを保証するための協調的な機械学習アプローチとして注目を集めている。 Uldp-FLは,単一ユーザのデータが複数のサイロに属する可能性のあるクロスサイロFLにおいて,ユーザレベルのDPを保証するように設計された,新しいFLフレームワークである。
論文参考訳（メタデータ） (2023-08-23T15:50:51Z)
Exploring the Benefits of Visual Prompting in Differential Privacy [54.56619360046841]
Visual Prompting (VP)は、よく訓練されたフリーズソースモデルを設計することで、下流タスクへのサンプル効率の適応を可能にする、新しくて強力なテクニックである。本稿では,VPを標準DPトレーニング手法に統合し,そのシンプルさと効率性を実証する。
論文参考訳（メタデータ） (2023-03-22T01:01:14Z)
How to DP-fy ML: A Practical Guide to Machine Learning with Differential Privacy [22.906644117887133]
差分プライバシー(DP)は、データ匿名化に関する公式声明を作成するための金の標準となっている。 DPの採用は、DP保護が持つもの、プライバシーが目的とするもの、そしてMLモデルの優れたプライバシ・ユーティリティ・コンピューティングトレードオフを達成することの難しさに関する限られた実践的なガイダンスによって妨げられている。この研究は自己完結型のガイドであり、DP MLの分野を詳細に概観し、厳格なプライバシー保証を備えた最高のDP MLモデルを達成するための情報を提供する。
論文参考訳（メタデータ） (2023-03-01T16:56:39Z)

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。