論文の概要: MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2512.24899v1
• Date: Wed, 31 Dec 2025 14:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.683003
• Title: MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy
• Title（参考訳）: MTSP-LDP:ローカル差分プライバシー下でのマルチタスクストリーミングデータパブリケーションのためのフレームワーク
• Authors: Chang Liu, Junzhou Zhao,
• Abstract要約: 既存の$w$-eventのローカル差分プライバシーメカニズムは、信頼できるサードパーティに頼ることなく、正式な保証を提供する。 MTSP-LDP, textbfMulti-textbfTask textbfStreaming data textbfPublication under $w$-event LDP。
• 参考スコア（独自算出の注目度）: 8.835357725073518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of streaming data analytics in data-driven applications raises critical privacy concerns, as directly collecting user data may compromise personal privacy. Although existing $w$-event local differential privacy (LDP) mechanisms provide formal guarantees without relying on trusted third parties, their practical deployment is hindered by two key limitations. First, these methods are designed primarily for publishing simple statistics at each timestamp, making them inherently unsuitable for complex queries. Second, they handle data at each timestamp independently, failing to capture temporal correlations and consequently degrading the overall utility. To address these issues, we propose MTSP-LDP, a novel framework for \textbf{M}ulti-\textbf{T}ask \textbf{S}treaming data \textbf{P}ublication under $w$-event LDP. MTSP-LDP adopts an \emph{Optimal Privacy Budget Allocation} algorithm to dynamically allocate privacy budgets by analyzing temporal correlations within each window. It then constructs a \emph{data-adaptive private binary tree structure} to support complex queries, which is further refined by cross-timestamp grouping and smoothing operations to enhance estimation accuracy. Furthermore, a unified \emph{Budget-Free Multi-Task Processing} mechanism is introduced to support a variety of streaming queries without consuming additional privacy budget. Extensive experiments on real-world datasets demonstrate that MTSP-LDP consistently achieves high utility across various streaming tasks, significantly outperforming existing methods.
• Abstract（参考訳）: データ駆動型アプリケーションにおけるストリーミングデータ分析の急増は、ユーザデータの直接収集が個人のプライバシーを損なう可能性があるため、重要なプライバシー上の懸念を引き起こす。 既存の$w$-eventローカルディファレンシャルプライバシ(LDP)メカニズムは、信頼できるサードパーティに頼らずに正式な保証を提供するが、その実践的デプロイメントには2つの重要な制限がある。 まず、これらの手法は主に各タイムスタンプで単純な統計情報を公開するために設計されており、複雑なクエリーには本質的に適さない。 第二に、各タイムスタンプで個別にデータを処理し、時間的相関を捉えず、結果として全体的なユーティリティが劣化する。 これらの問題に対処するため,MTSP-LDPを提案する。これは,$w$-event LDPの下でのtextbf{M}ulti-\textbf{T}ask \textbf{S}treamingデータに対する新しいフレームワークである。 MTSP-LDP は \emph{Optimal Privacy Budget Allocation} アルゴリズムを採用し、各ウィンドウ内の時間的相関を分析して、動的にプライバシ予算を割り当てる。 次に、複雑なクエリをサポートするために \emph{data-adaptive private binary tree structure} を構築し、クロスタイムスタンプグループ化とスムーズな操作によってさらに洗練され、推定精度が向上する。 さらに、さまざまなストリーミングクエリをサポートするために、追加のプライバシー予算を必要とせずに、統一された \emph{Budget-Free Multi-Task Processing} メカニズムが導入された。 実世界のデータセットに対する大規模な実験により、MTSP-LDPは様々なストリーミングタスクにまたがる高いユーティリティを一貫して達成し、既存の手法を大幅に上回ることを示した。

関連論文リスト

• Decentralized Differentially Private Power Method [4.58112062523768]
  ネットワーク化されたマルチエージェント設定において主成分分析(PCA)を行うための分散分散微分プライベート・パワー・メソッド(D-DP-PM)を提案する。 本手法は,ネットワーク全体の固有ベクトルを協調的に推定しながら,$(epsilon,delta)$-Differential Privacy (DP)を保証する。 実世界のデータセット実験により、D-DP-PMは、単純で局所的なDPアプローチに比べて、優れたプライバシーとユーティリティのトレードオフを実現することが示された。
  論文  参考訳（メタデータ） (2025-07-30T17:15:50Z)
• Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline [12.66709671516384]
  本稿では,汎用的で効率的な予測フレームワークであるAPNを紹介する。 APNの中核には、新しい Time-Aware Patch Aggregation (ATAPA) モジュールがある。 パッチ表現をタイムアウェアな重み付けで計算し、すべての生の観察を集約する。 このアプローチは、人工的なデータポイントの導入を回避し、設計による完全な情報カバレッジを確保することによって、データの忠実性を維持する。
  論文  参考訳（メタデータ） (2025-05-16T13:42:00Z)
• Bipartite Randomized Response Mechanism for Local Differential Privacy [14.32248634830699]
  ローカル微分プライバシー(LDP)は、最近、各ユーザのプライバシをデータアナリストから保護するための強力なプライバシ尺度になっている。 我々のゴールは、グローバルな予測エラーを持つアイテムを可能な限り小さくリリースする、微分プライベートなメカニズムを設計することです。
  論文  参考訳（メタデータ） (2025-04-29T16:39:50Z)
• Private Approximate Query over Horizontal Data Federation [0.0]
  既存のアプローチは、プライバシを改善する暗号に頼っているが、クエリ応答時間を犠牲にしている。 本稿では,データ分散を意識したオンラインサンプリング手法を考案し,レンジクエリの実行を高速化する手法を提案する。 我々のソリューションは、基本的な非セキュアなソリューションよりも最大8倍高速な処理を提供できる。
  論文  参考訳（メタデータ） (2024-06-17T11:19:58Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
  我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。 Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。 大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
  論文  参考訳（メタデータ） (2023-10-04T19:30:49Z)

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。