論文の概要: Computing Maximal Per-Record Leakage and Leakage-Distortion Functions for Privacy Mechanisms under Entropy-Constrained Adversaries

• arxiv url: http://arxiv.org/abs/2602.00689v1
• Date: Sat, 31 Jan 2026 12:23:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-03 13:39:00.887533
• Title: Computing Maximal Per-Record Leakage and Leakage-Distortion Functions for Privacy Mechanisms under Entropy-Constrained Adversaries
• Title（参考訳）: エントロピー制約条件下でのプライバシメカニズムに対する最大1レコードリークと漏洩歪み関数の計算
• Authors: Genqiang Wu, Xiaoying Zhang, Yu Qi, Hao Wang, Jikui Wang, Yeping He,
• Abstract要約: 本稿では,最大1レコードリーク,一次リーク・歪みトレードオフ,二重歪み最小化の3つの問題について検討する。 我々は凸性-凸性双対性を利用する効率的な交互最適化アルゴリズムを開発した。 この研究は、プライバシのリスクを監査し、認定されたメカニズムを設計するための計算フレームワークを提供する。
• 参考スコア（独自算出の注目度）: 19.239827561129513
• License:
• Abstract: The exponential growth of data collection necessitates robust privacy protections that preserve data utility. We address information disclosure against adversaries with bounded prior knowledge, modeled by an entropy constraint $H(X) \geq b$. Within this information privacy framework -- which replaces differential privacy's independence assumption with a bounded-knowledge model -- we study three core problems: maximal per-record leakage, the primal leakage-distortion tradeoff (minimizing worst-case leakage under distortion $D$), and the dual distortion minimization (minimizing distortion under leakage constraint $L$). These problems resemble classical information-theoretic ones (channel capacity, rate-distortion) but are more complex due to high dimensionality and the entropy constraint. We develop efficient alternating optimization algorithms that exploit convexity-concavity duality, with theoretical guarantees including local convergence for the primal problem and convergence to a stationary point for the dual. Experiments on binary symmetric channels and modular sum queries validate the algorithms, showing improved privacy-utility tradeoffs over classical differential privacy mechanisms. This work provides a computational framework for auditing privacy risks and designing certified mechanisms under realistic adversary assumptions.
• Abstract（参考訳）: データコレクションの指数関数的な成長は、データユーティリティを保存するための堅牢なプライバシ保護を必要とする。 エントロピー制約である$H(X) \geq b$をモデルとした,有界な事前知識を持つ敵に対する情報開示に対処する。 この情報プライバシーフレームワーク -- 差分プライバシーの独立仮定を有界知識モデルに置き換える -- の中核的な問題として、最大記録毎のリーク、最大リーク-歪みトレードオフ(歪み$D$で最悪のリークを最小化する)、二重歪み最小化(リーク制約下での歪みを最小化する$L$)がある。 これらの問題は古典的な情報理論(チャネルキャパシティ、レート歪み)に似ているが、高次元性やエントロピーの制約によりより複雑である。 本研究では,凸性-凸性双対性を利用する効率的な交互最適化アルゴリズムを開発し,主問題に対する局所収束や双対に対する定常点への収束を含む理論的保証を行う。 二進対称チャネルとモジュラー和クエリの実験はアルゴリズムを検証し、古典的な差分プライバシーメカニズムよりも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示す。 この研究は、現実的な敵の仮定の下で、プライバシーリスクを監査し、認定されたメカニズムを設計するための計算フレームワークを提供する。

関連論文リスト

• Differentially Private Two-Stage Gradient Descent for Instrumental Variable Regression [22.733602577854825]
  差分プライバシー制約下でのインストゥルメンタル変数回帰(IVaR)について検討する。 勾配更新に慎重に校正された雑音を注入することにより、差分プライバシーを確保するノイズの多い2状態勾配降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-26T18:02:58Z)
• ImprovDML: Improved Trade-off in Private Byzantine-Resilient Distributed Machine Learning [22.85986751447643]
  一般的な戦略は、Byzantine-Resilientアグリゲーションルールと差分プライバシーメカニズムの統合である。 そこで我々は,プライバシ保護を同時に確保しつつ,モデルの精度を向上する ImprovDML を提案する。 モデル精度と差分プライバシーの間のトレードオフを改善することを実証する。
  論文  参考訳（メタデータ） (2025-06-18T06:53:52Z)
• How Breakable Is Privacy: Probing and Resisting Model Inversion Attacks in Collaborative Inference [13.453033795109155]
  協調推論は、中間機能をクラウドモデルに伝達することでエッジデバイスの計算効率を向上させる。 モデル逆攻撃(MIA)の難しさを評価するための確立された基準はない。 本稿では、CIにおけるMIAの難易度を評価するための最初の理論的基準を提案し、相互情報、エントロピー、有効情報量などを重要な要因として同定する。
  論文  参考訳（メタデータ） (2025-01-01T13:00:01Z)
• 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)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• 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)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)

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。