論文の概要: Differential privacy from axioms

• arxiv url: http://arxiv.org/abs/2511.21876v1
• Date: Wed, 26 Nov 2025 19:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.276961
• Title: Differential privacy from axioms
• Title（参考訳）: 公理からの微分プライバシー
• Authors: Guy Blanc, William Pires, Toniann Pitassi,
• Abstract要約: 非自明な構成を満たす適切なプライバシー尺度は、差分プライバシーと等価であることを示す。 我々の主定理は、我々の公理を満たすあらゆるプライバシー基準は、標本の複雑さの要因まで、DPと等価であることを示している。
• 参考スコア（独自算出の注目度）: 6.682378358923262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differential privacy (DP) is the de facto notion of privacy both in theory and in practice. However, despite its popularity, DP imposes strict requirements which guard against strong worst-case scenarios. For example, it guards against seemingly unrealistic scenarios where an attacker has full information about all but one point in the data set, and still nothing can be learned about the remaining point. While preventing such a strong attack is desirable, many works have explored whether average-case relaxations of DP are easier to satisfy [HWR13,WLF16,BF16,LWX23]. In this work, we are motivated by the question of whether alternate, weaker notions of privacy are possible: can a weakened privacy notion still guarantee some basic level of privacy, and on the other hand, achieve privacy more efficiently and/or for a substantially broader set of tasks? Our main result shows the answer is no: even in the statistical setting, any reasonable measure of privacy satisfying nontrivial composition is equivalent to DP. To prove this, we identify a core set of four axioms or desiderata: pre-processing invariance, prohibition of blatant non-privacy, strong composition, and linear scalability. Our main theorem shows that any privacy measure satisfying our axioms is equivalent to DP, up to polynomial factors in sample complexity. We complement this result by showing our axioms are minimal: removing any one of our axioms enables ill-behaved measures of privacy.
• Abstract（参考訳）: 微分プライバシー (DP) は、理論と実際の両方において、事実上のプライバシーの概念である。 しかし、その人気にもかかわらず、DPは強力な最悪のシナリオに対処する厳格な要件を課している。 例えば、攻撃者がデータセットの1つのポイント以外のすべての情報をフルに保持し、残りのポイントについては何も学べないという、一見非現実的なシナリオに対処する。 このような強力な攻撃を防ぐことが望ましい一方で、DPの平均ケース緩和が容易に満足できるかどうかが研究されている[HWR13,WLF16,BF16,LWX23]。 プライバシーの弱体化は、いくつかの基本的なレベルのプライバシーを保証し、一方で、より効率的に、より広範なタスクのためにプライバシーを達成することができるか? 統計的設定においても、非自明な構成を満たすプライバシーの合理的な尺度はDPと同等である。 これを証明するために、4つの公理あるいはデシダラタ(desiderata)のコアセットを同定する。 我々の主定理は、我々の公理を満たすあらゆるプライバシー基準は、標本複雑性の多項式因子までDPと等価であることを示している。 私たちの公理は最小限であることを示すことで、この結果を補完します。

関連論文リスト

• Beyond the Worst Case: Extending Differential Privacy Guarantees to Realistic Adversaries [17.780319275883127]
  差別化プライバシ(differial Privacy)は、メカニズムの最悪のプライバシー漏洩に結びつく定義のファミリーである。 この研究は、現実のプライバシーリスクを代表する攻撃者の成功について、DPの最悪の保証がどんな意味を持つのかを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-07-10T20:36:31Z)
• Mean Estimation Under Heterogeneous Privacy Demands [5.755004576310333]
  本研究は,各ユーザが自身のプライバシレベルを設定できる平均推定の問題について考察する。 提案するアルゴリズムは,ミニマックス最適であり,ほぼ直線的な実行時間を有することを示す。 プライバシー要件が低いが異なるユーザは、すべて同じ金額で、必要以上のプライバシーを与えられる。
  論文  参考訳（メタデータ） (2023-10-19T20:29:19Z)
• Mean Estimation Under Heterogeneous Privacy: Some Privacy Can Be Free [13.198689566654103]
  本研究は,異種差分プライバシー制約に基づく平均推定の問題について考察する。 提案するアルゴリズムは,プライバシレベルが異なる2つのユーザグループが存在する場合に,ミニマックス最適であることが示されている。
  論文  参考訳（メタデータ） (2023-04-27T05:23:06Z)
• On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
  差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。 プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。 最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
  論文  参考訳（メタデータ） (2022-10-05T12:55:53Z)
• Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
  我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。 本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2022-09-08T22:43:50Z)
• 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)
• Smoothed Differential Privacy [55.415581832037084]
  微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。 本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。 サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
  論文  参考訳（メタデータ） (2021-07-04T06:55:45Z)

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。