論文の概要: Exact zCDP Characterizations for Fundamental Differentially Private Mechanisms

• arxiv url: http://arxiv.org/abs/2510.25746v1
• Date: Wed, 29 Oct 2025 17:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.89812
• Title: Exact zCDP Characterizations for Fundamental Differentially Private Mechanisms
• Title（参考訳）: 基本的微分プライベート機構のための厳密なzCDP特性
• Authors: Charlie Harrison, Pasin Manurangsi,
• Abstract要約: いくつかの基本的なメカニズムについて、厳密なzCDP特性を導出する。 我々は、$epsilon$-DP Laplace 機構の厳密な zCDP がちょうど $epsilon + e-epsilon - 1$ であることを証明する。 また、最悪の場合の有界範囲機構に対して、厳密なzCDPバウンドを提供する。
• 参考スコア（独自算出の注目度）: 24.85689199092059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-concentrated differential privacy (zCDP) is a variant of differential privacy (DP) that is widely used partly thanks to its nice composition property. While a tight conversion from $\epsilon$-DP to zCDP exists for the worst-case mechanism, many common algorithms satisfy stronger guarantees. In this work, we derive tight zCDP characterizations for several fundamental mechanisms. We prove that the tight zCDP bound for the $\epsilon$-DP Laplace mechanism is exactly $\epsilon + e^{-\epsilon} - 1$, confirming a recent conjecture by Wang (2022). We further provide tight bounds for the discrete Laplace mechanism, $k$-Randomized Response (for $k \leq 6$), and RAPPOR. Lastly, we also provide a tight zCDP bound for the worst case bounded range mechanism.
• Abstract（参考訳）: ゼロ集中微分プライバシー(ZCDP)は微分プライバシー(DP)の変種であり、その優れた構成特性によって部分的に広く使用されている。 最悪の場合、$\epsilon$-DP から zCDP への厳密な変換が存在するが、多くの共通アルゴリズムは強い保証を満たす。 そこで本研究では,いくつかの基本的な機構について,厳密なZCDP特性を導出する。 我々は、$\epsilon$-DP Laplace の厳密な zCDP がちょうど $\epsilon + e^{-\epsilon} - 1$ であることを証明する。 さらに、離散的なLaplaceメカニズム、$k$-Randomized Response($k \leq 6$)、RAPPORに対して厳密なバウンダリを提供する。 最後に、最悪の場合の有界範囲機構に対して、厳密なzCDPバウンドを提供する。

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)
• Approximate Differential Privacy of the $\ell_2$ Mechanism [52.61055173572399]
  我々は、近似微分プライバシーの下で、$d$次元統計量と有界$ell$感度を計算するための$ell$メカニズムについて研究する。 プライバシパラメータの範囲で、$ell$メカニズムはLaplaceやGaussianのメカニズムよりも低いエラーを得る。
  論文  参考訳（メタデータ） (2025-02-21T20:56:34Z)
• Beyond the Calibration Point: Mechanism Comparison in Differential Privacy [29.635987854560828]
  差分プライベート(DP)機械学習では、DPメカニズムのプライバシー保証が報告され、単一の$(varepsilon, delta)$-pairに基づいて比較されることが多い。 このプラクティスは、DP保証が与えられた$(varepsilon, delta)$を共有するメカニズムの間でも大きく異なる可能性があることを見落としている。
  論文  参考訳（メタデータ） (2024-06-13T08:30:29Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Fixed-Budget Differentially Private Best Arm Identification [62.36929749450298]
  差分プライバシー制約下における固定予算制度における線形包帯のベストアーム識別(BAI)について検討した。 誤差確率に基づいてミニマックス下限を導出し、下限と上限が指数関数的に$T$で崩壊することを示した。
  論文  参考訳（メタデータ） (2024-01-17T09:23:25Z)
• Truncated Laplace and Gaussian mechanisms of RDP [28.227024132603123]
  ラプラス機構とガウス機構は、微分プライバシーの主要なメカニズムである。 無限範囲の確率変数によって、ラプラスとガウスのメカニズムは、負数のような意味的に不可能な値を返すことができる。
  論文  参考訳（メタデータ） (2023-09-22T06:37:45Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Cactus Mechanisms: Optimal Differential Privacy Mechanisms in the Large-Composition Regime [12.420941209631742]
  本研究では,多数の構成の限界における最適微分プライバシー機構の設計について検討する。 この体制では、最高のプライバシーメカニズムは、Kullback-Leiblerの発散を最小限にするものである。 我々は、量子化アプローチが最適なメカニズムに任意に近づくことができることを示す。
  論文  参考訳（メタデータ） (2022-06-25T20:05:50Z)
• A unified interpretation of the Gaussian mechanism for differential privacy through the sensitivity index [61.675604648670095]
  GMの一般的な3つの解釈、すなわち$(varepsilon, delta)$-DP, f-DP, R'enyi DPは1つのパラメータ$psi$で表現できる。 $psi$は、クエリの感度とノイズ摂動の大きさの2つの基本量をカプセル化することによって、GMとその特性を特徴付ける。
  論文  参考訳（メタデータ） (2021-09-22T06:20:01Z)

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。