論文の概要: Adaptive Privacy Budgeting

• arxiv url: http://arxiv.org/abs/2601.10866v1
• Date: Thu, 15 Jan 2026 21:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.296417
• Title: Adaptive Privacy Budgeting
• Title（参考訳）: アダプティブプライバシ予算
• Authors: Yuting Liang, Ke Yi,
• Abstract要約: 一般化された差分プライバシーの下での適応型プライバシー予算問題について検討する。 特に、予算設定は以前のクエリの出力に適応しなければなりません。
• 参考スコア（独自算出の注目度）: 11.777587024654627
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study the problem of adaptive privacy budgeting under generalized differential privacy. Consider the setting where each user $i\in [n]$ holds a tuple $x_i\in U:=U_1\times \dotsb \times U_T$, where $x_i(l)\in U_l$ represents the $l$-th component of their data. For every $l\in [T]$ (or a subset), an untrusted analyst wishes to compute some $f_l(x_1(l),\dots,x_n(l))$, while respecting the privacy of each user. For many functions $f_l$, data from the users are not all equally important, and there is potential to use the privacy budgets of the users strategically, leading to privacy savings that can be used to improve the utility of later queries. In particular, the budgeting should be adaptive to the outputs of previous queries, so that greater savings can be achieved on more typical instances. In this paper, we provide such an adaptive budgeting framework, with various applications demonstrating its applicability.
• Abstract（参考訳）: 一般化された差分プライバシーの下での適応型プライバシー予算問題について検討する。 各ユーザー$i\in [n]$がタプル$x_i\in U:=U_1\times \dotsb \times U_T$, where $x_i(l)\in U_l$はデータの$l$-thコンポーネントを表す。 信頼できないアナリストは、すべての$l\in [T]$(またはサブセット)に対して、各ユーザのプライバシーを尊重しながら、$f_l(x_1(l),\dots,x_n(l))$を計算したいと考えています。 多くの関数に対して、ユーザーからのデータは等しく重要ではなく、ユーザのプライバシ予算を戦略的に使用する可能性があり、その後のクエリの有用性を改善するために使用できるプライバシーの節約につながる。 特に、予算設定は以前のクエリの出力に適応しなければなりません。 本稿では,このような適応的な予算編成の枠組みを提供し,その適用性を示す様々な応用例を示す。

関連論文リスト

• Optimized Tradeoffs for Private Prediction with Majority Ensembling [59.99331405291337]
  本稿では,データ依存型ランダム化応答行列(DaRRM)アルゴリズムを提案する。 DaRRMはデータ依存ノイズ関数$gamma$でパラメータ化され、全てのプライベートアルゴリズムのクラスに対して効率的なユーティリティ最適化を可能にする。 本稿では,DARRMが共通ベースラインよりも2倍のプライバシゲインを,固定ユーティリティで確実に享受していることを示す。
  論文  参考訳（メタデータ） (2024-11-27T00:48:48Z)
• Smooth Sensitivity for Geo-Privacy [17.835910182900985]
  微分プライバシーの局所モデル (LDP) は、この問題が研究されている主要なモデルである。 Geo-Privacy (GP) は、識別可能性のレベルが$mathrmdist(x_i, x_i')$に比例することを規定している。 微分プライバシーからGeo-Privacyへのスムーズな感度フレームワークを一般化することで、与えられたインスタンスの硬さに合わせてノイズを加えることができます。
  論文  参考訳（メタデータ） (2024-05-10T08:32:07Z)
• User-Level Differential Privacy With Few Examples Per User [73.81862394073308]
  サンプルスカース方式では,各ユーザが少数のサンプルしか持たないため,以下の結果が得られる。 近似DPについては,任意の項目レベルDPアルゴリズムをユーザレベルDPアルゴリズムに汎用変換する。 ユーザレベル設定に指数的機構(McSherry, Talwar FOCS 2007)を適用するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-21T21:51:55Z)
• Smooth Anonymity for Sparse Graphs [69.1048938123063]
  しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。 本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-07-13T17:09:25Z)
• 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)
• 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)
• Individual Privacy Accounting via a Renyi Filter [33.65665839496798]
  個人ごとのパーソナライズされたプライバシ損失推定値に基づいて、より厳格なプライバシ損失会計を行う方法を提案する。 我々のフィルターは、Rogersらによる$(epsilon,delta)$-differential privacyの既知のフィルタよりもシンプルできつい。
  論文  参考訳（メタデータ） (2020-08-25T17:49:48Z)
• Learning discrete distributions: user vs item-level privacy [47.05234904407048]
  近年,フェデレート学習のような実践的なアプリケーションでは,単一ユーザのすべての項目に対するプライバシ保護が求められている。 ユーザレベルの差分プライバシーを持つシンボルを$k$で学習する際の基本的な問題について検討する。 ユーザ数が$tildemathcalO(k/(malpha2) + k/sqrtmepsilonalpha)$とスケールする仕組みを提案する。
  論文  参考訳（メタデータ） (2020-07-27T16:15:14Z)
• Differentially Private Set Union [23.001440922454407]
  差分プライバシーのグローバルモデルにおけるセットユニオンの基本動作について検討する。 この問題では、無限の大きさのアイテムが$U$で、データベースが$D$である。 我々は、$S のサブセットである cup_i W_i$ を出力する(epsilon$,$delta$)-微分プライベートなアルゴリズムを望んでいる。
  論文  参考訳（メタデータ） (2020-02-22T18:33:14Z)

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。