論文の概要: N-output Mechanism: Estimating Statistical Information from Numerical Data under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2510.11116v1
• Date: Mon, 13 Oct 2025 08:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.256984
• Title: N-output Mechanism: Estimating Statistical Information from Numerical Data under Local Differential Privacy
• Title（参考訳）: N出力メカニズム:局所微分プライバシー下での数値データからの統計的情報の推定
• Authors: Incheol Baek, Yon Dohn Chung,
• Abstract要約: ローカル微分プライバシー(LDP)は、機密データ収集において重要なプライバシー上の懸念に対処する。 既存の LDP 機構は、非常に小さな (|Omega| in 2, 3$) か無限出力空間に最適化される。 数値データを$N$の離散出力にマッピングする一般化されたフレームワークである textbfN-output 機構を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local Differential Privacy (LDP) addresses significant privacy concerns in sensitive data collection. In this work, we focus on numerical data collection under LDP, targeting a significant gap in the literature: existing LDP mechanisms are optimized for either a very small ($|\Omega| \in \{2, 3\}$) or infinite output spaces. However, no generalized method for constructing an optimal mechanism for an arbitrary output size $N$ exists. To fill this gap, we propose the \textbf{N-output mechanism}, a generalized framework that maps numerical data to one of $N$ discrete outputs. We formulate the mechanism's design as an optimization problem to minimize estimation variance for any given $N \geq 2$ and develop both numerical and analytical solutions. This results in a mechanism that is highly accurate and adaptive, as its design is determined by solving an optimization problem for any chosen $N$. Furthermore, we extend our framework and existing mechanisms to the task of distribution estimation. Empirical evaluations show that the N-output mechanism achieves state-of-the-art accuracy for mean, variance, and distribution estimation with small communication costs.
• Abstract（参考訳）: ローカル微分プライバシー(LDP)は、機密データ収集において重要なプライバシー上の懸念に対処する。 本研究では, LDP における数値データ収集に着目し, 既存の LDP 機構を極小(|\Omega| \in \{2, 3\}$) あるいは無限出力空間に最適化する。 しかし、任意の出力サイズ$N$に対して最適なメカニズムを構築するための一般化された方法は存在しない。 このギャップを埋めるために、数値データを$N$の離散出力にマッピングする一般化されたフレームワークである \textbf{N-output mechanism} を提案する。 この機構の設計を最適化問題として定式化し、任意の$N \geq 2$に対する推定分散を最小化し、数値解と解析解の両方を開発する。 これにより、選択された$N$に対する最適化問題を解くことで、その設計が決定されるので、非常に正確で適応的なメカニズムが得られる。 さらに,フレームワークと既存のメカニズムを分散推定のタスクに拡張する。 実験により,Nアウトプット機構は,通信コストの小さい平均,分散,分布推定において,最先端の精度を実現することが示された。

関連論文リスト

• Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning [49.66162382667325]
  一般化ガウス機構(英語版)を考察し、ある$beta geq 1$に対して$e-frac| x |sigmabeta $ に比例した付加雑音項 $x$ をサンプリングする。 GGメカニズムとその変種に対するプライバシ会計は独立であり、プライバシ会計の計算コストを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-06-14T15:49:25Z)
• 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)
• Achieving PAC Guarantees in Mechanism Design through Multi-Armed Bandits [8.013444110633223]
  自動機構設計のための線形プログラム(LP)に最適解のクラスを解析的に導出する。 これらの解は、元の定式化における変数の総数よりも指数関数的に小さい基本変数の集合を用いて表すことができる。 本稿では,この用語の評価をマルチアーム・バンディット(MAB)問題に翻訳することでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-11-30T03:59:36Z)
• Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
  既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。 本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。 従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
  論文  参考訳（メタデータ） (2024-05-02T03:48:47Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
  差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。 既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。 本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
  論文  参考訳（メタデータ） (2023-11-04T04:43:47Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)

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。