論文の概要: Dobrushin Coefficients of Private Mechanisms Beyond Local Differential Privacy
- arxiv url: http://arxiv.org/abs/2601.09498v1
- Date: Wed, 14 Jan 2026 14:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-15 18:59:20.421283
- Title: Dobrushin Coefficients of Private Mechanisms Beyond Local Differential Privacy
- Title（参考訳）: 地域差分プライバシーを超える私的メカニズムのドブルシン係数
- Authors: Leonhard Grosse, Sara Saeidian, Tobias J. Oechtering, Mikael Skoglund,
- Abstract要約: 我々は、カーネルのPML保証の観点から、収縮の達成可能な境界を導出する。
結果は、ビネットの不等式の適用により、一般的な$f$-divergencesに拡張する。
- 参考スコア（独自算出の注目度）: 36.33156483258328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate Dobrushin coefficients of discrete Markov kernels that have bounded pointwise maximal leakage (PML) with respect to all distributions with a minimum probability mass bounded away from zero by a constant $c>0$. This definition recovers local differential privacy (LDP) for $c\to 0$. We derive achievable bounds on contraction in terms of a kernels PML guarantees, and provide mechanism constructions that achieve the presented bounds. Further, we extend the results to general $f$-divergences by an application of Binette's inequality. Our analysis yields tighter bounds for mechanisms satisfying LDP and extends beyond the LDP regime to any discrete kernel.
- Abstract（参考訳）: 最小確率質量をゼロから一定$c>0$で有界とするすべての分布に対して、点方向最大リーク(PML)が有界な離散マルコフ核のドブルシン係数について検討する。
この定義は、$c\to 0$のローカル差分プライバシー(LDP)を回復する。
我々は、カーネルのPML保証の観点から収縮の達成可能な境界を導出し、提示された境界を達成するメカニズム構築を提供する。
さらに、Binetteの不等式の適用により、結果を一般$f$-divergencesに拡張する。
この分析により, LDP を満たす機構の厳密な境界が得られ, LDP 体制を超えて任意の離散カーネルに拡張される。
関連論文リスト
- Context-aware Privacy Bounds for Linear Queries [18.643148110719736]
最大漏洩点レンズを用いてLaplace機構のプライバシ解析を再検討する。
DPフレームワークの分布に依存しない定義は、しばしば過度なノイズを課すことを実証する。
論文 参考訳（メタデータ） (2026-01-06T09:34:04Z) - Risk Bounds for Mixture Density Estimation on Compact Domains via the $h$-Lifted Kullback--Leibler Divergence [2.8074364079901017]
標準KL分散の一般化として、$h$-lifted Kullback--Leibler(KL)分散を導入する。
我々は、対応する最大$h$-lifted chance 推定器の計算手順を開発する。
論文 参考訳（メタデータ） (2024-04-19T02:31:34Z) - 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) - Connect the Dots: Tighter Discrete Approximations of Privacy Loss
Distributions [49.726408540784334]
PLDベースの会計の鍵となる問題は、特定の個別サポートに対してPLDと(潜在的に連続的な)PLDをどのように近似するかである。
悲観的推定はすべての悲観的推定の中で最良であることを示す。
論文 参考訳（メタデータ） (2022-07-10T04:25:02Z) - The Poisson binomial mechanism for secure and private federated learning [19.399122892615573]
本稿では,分散平均推定(DME)のための離散的差分プライバシー機構を導入し,フェデレーション学習と分析に応用する。
我々は、プライバシー保証の厳密な分析を行い、連続的なガウス機構と同じプライバシーと精度のトレードオフを達成することを示す。
論文 参考訳（メタデータ） (2022-07-09T05:46:28Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。
カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。
有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-06-18T08:33:45Z) - Local Differential Privacy Is Equivalent to Contraction of
$E_\gamma$-Divergence [7.807294944710216]
我々は, LDP 制約を$E_gamma$-divergence の縮約係数で等価にキャストできることを示す。
次に、この等価式を用いて、任意の$f$-divergencesの収縮係数の観点から、プライバシー機構のLCP保証を表現する。
論文 参考訳（メタデータ） (2021-02-02T02:18:12Z) - Metrizing Weak Convergence with Maximum Mean Discrepancies [88.54422104669078]
本稿では、幅広い種類のカーネルに対する確率測度の弱収束を測る最大平均誤差(MMD)を特徴付ける。
我々は、局所コンパクトで非コンパクトなハウスドルフ空間において、有界連続ボレル可測核 k の MMD が確率測度の弱収束を測ることを証明する。
論文 参考訳（メタデータ） (2020-06-16T15:49:33Z)
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。