論文の概要: Uniformity Testing under User-Level Local Privacy

• arxiv url: http://arxiv.org/abs/2510.18379v1
• Date: Tue, 21 Oct 2025 07:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.141521
• Title: Uniformity Testing under User-Level Local Privacy
• Title（参考訳）: ユーザレベルのローカルプライバシの下での一様性テスト
• Authors: Clément L. Canonne, Abigail Gentle, Vikrant Singhal,
• Abstract要約: 本研究は,Emphuserレベルの局所差分プライバシに基づく配電試験に関する研究である。 私たちの主な焦点は、プライベートコイン、対称的な設定であり、ユーザーは共通のランダムなシードを共有する必要はない。
• 参考スコア（独自算出の注目度）: 13.774280731705522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We initiate the study of distribution testing under \emph{user-level} local differential privacy, where each of $n$ users contributes $m$ samples from the unknown underlying distribution. This setting, albeit very natural, is significantly more challenging that the usual locally private setting, as for the same parameter $\varepsilon$ the privacy guarantee must now apply to a full batch of $m$ data points. While some recent work consider distribution \emph{learning} in this user-level setting, nothing was known for even the most fundamental testing task, uniformity testing (and its generalization, identity testing). We address this gap, by providing (nearly) sample-optimal user-level LDP algorithms for uniformity and identity testing. Motivated by practical considerations, our main focus is on the private-coin, symmetric setting, which does not require users to share a common random seed nor to have been assigned a globally unique identifier.
• Abstract（参考訳）: 我々は,emph{user-level}ローカルディファレンシャルプライバシに基づいて,未知のディストリビューションから$m$のサンプルを寄贈する分散テストを開始する。 この設定は非常に自然だが、通常のローカルのプライベート設定が$\varepsilonと同じパラメータに対して$\varepsilon$の場合、プライバシー保証が$m$のデータポイントの完全なバッチに適用されなければならないため、はるかに難しい。 最近の研究では、このユーザレベルの環境での分布 \emph{learning} を考慮しているが、最も基本的なテストタスク、一様性テスト(およびその一般化、アイデンティティテスト)でさえ何も知られていなかった。 このギャップに対処するため、一様性およびアイデンティティテストのための(ほぼ)サンプル最適ユーザレベル LDP アルゴリズムを提供する。 実践的な考慮により、我々の主な焦点は、共通のランダムシードを共有したり、グローバルにユニークな識別子を割り当てたりする必要のない、プライベートコイン、対称的な設定である。

関連論文リスト

• Smoothed Normalization for Efficient Distributed Private Optimization [54.197255548244705]
  フェデレートされた学習は、参加者のプライバシを備えた機械学習モデルを可能にする。 トレーニングやフィードバックのない問題に対して、差分にプライベートな分散手法は存在しない。 証明可能な収束保証付き分散アルゴリズム$alpha$-$sf NormEC$を導入する。
  論文  参考訳（メタデータ） (2025-02-19T07:10:32Z)
• A Generalized Shuffle Framework for Privacy Amplification: Strengthening Privacy Guarantees and Enhancing Utility [4.7712438974100255]
  パーソナライズされたプライバシパラメータで$(epsilon_i,delta_i)$-PLDP設定をシャッフルする方法を示す。 shuffled $(epsilon_i,delta_i)$-PLDP process approximately saves $mu$-Gaussian Differential Privacy with mu = sqrtfrac2sum_i=1n frac1-delta_i1+eepsilon_i-max_ifrac1-delta_i1+e
  論文  参考訳（メタデータ） (2023-12-22T02:31:46Z)
• Discrete Distribution Estimation under User-level Local Differential Privacy [37.65849910114053]
  ユーザレベルの局所差分プライバシー(LDP)に基づく離散分布推定について検討する。 ユーザレベルの$varepsilon$-LDPでは、各ユーザは$mge1$サンプルを持ち、すべての$m$サンプルのプライバシを同時に保存する必要がある。
  論文  参考訳（メタデータ） (2022-11-07T18:29:32Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• User-Level Private Learning via Correlated Sampling [49.453751858361265]
  我々は、各ユーザが$m$のサンプルを持ち、プライバシ保護が各ユーザのデータレベルで実施される設定について検討する。 この設定では、より少ない数のユーザーで学習できることが示されます。
  論文  参考訳（メタデータ） (2021-10-21T15:33:53Z)
• Uniformity Testing in the Shuffle Model: Simpler, Better, Faster [0.0]
  均一性テスト(英: Uniformity testing)または独立した観察が均一に分散されているかどうかをテストすることは、分散テストにおける問題である。 本研究では,シャッフルモデルにおける既知の一様性試験アルゴリズムの解析を大幅に単純化する。
  論文  参考訳（メタデータ） (2021-08-20T03:43:12Z)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)
• Successive Refinement of Privacy [38.20887036580742]
  本研究は、局所微分プライバシー(LDP)を実現するために、どの程度ランダム性が必要かを検討する。 モチベーションシナリオは、複数のアナリストに複数のレベルのプライバシを提供することである。 各ユーザのプライバシーを維持しながら、ランダムなキーを時間の経過とともに再利用できないことを示す。
  論文  参考訳（メタデータ） (2020-05-24T04:16:01Z)
• Locally Private Hypothesis Selection [96.06118559817057]
  我々は、$mathcalQ$から$p$までの総変動距離が最良の分布に匹敵する分布を出力する。 局所的な差分プライバシーの制約は、コストの急激な増加を引き起こすことを示す。 提案アルゴリズムは,従来手法のラウンド複雑性を指数関数的に改善する。
  論文  参考訳（メタデータ） (2020-02-21T18:30:48Z)
• Minimax optimal goodness-of-fit testing for densities and multinomials under a local differential privacy constraint [3.265773263570237]
  適合性テストにおける局所的な差分プライバシー制約の影響を考察する。 本稿では,未知密度の滑らか度パラメータに適応し,対数係数まで最小限の最適値を維持するテストを提案する。
  論文  参考訳（メタデータ） (2020-02-11T08:41:05Z)

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。