論文の概要: Natural Privacy Filters Are Not Always Free: A Characterization of Free Natural Filters
- arxiv url: http://arxiv.org/abs/2602.15815v1
- Date: Tue, 17 Feb 2026 18:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-18 16:03:18.168165
- Title: Natural Privacy Filters Are Not Always Free: A Characterization of Free Natural Filters
- Title（参考訳）: 自然プライバシーフィルターは必ずしも無料ではない:自由な自然フィルターの特徴
- Authors: Matthew Regehr, Bingshan Hu, Ethan Leeman, Pasin Manurangsi, Pierre Tholoniat, Mathias Lécuyer,
- Abstract要約: 本研究では、適応的に選択されたプライバシー特性を持つ差分プライベート(DP)機構の正確な構成を可能にする自然プライバシーフィルタについて検討する。
他のDPとは対照的に、自然プライバシーフィルターは一般に無料ではない。
- 参考スコア（独自算出の注目度）: 22.745210156634496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study natural privacy filters, which enable the exact composition of differentially private (DP) mechanisms with adaptively chosen privacy characteristics. Earlier privacy filters consider only simple privacy parameters such as Rényi-DP or Gaussian DP parameters. Natural filters account for the entire privacy profile of every query, promising greater utility for a given privacy budget. We show that, contrary to other forms of DP, natural privacy filters are not free in general. Indeed, we show that only families of privacy mechanisms that are well-ordered when composed admit free natural privacy filters.
- Abstract（参考訳）: 本研究では、適応的に選択されたプライバシー特性を持つ差分プライベート(DP)機構の正確な構成を可能にする自然プライバシーフィルタについて検討する。
以前のプライバシフィルタでは、Rényi-DPやGaussian DPパラメータのような単純なプライバシパラメータのみを考慮していた。
自然フィルターはすべてのクエリのプライバシプロファイル全体を考慮し、特定のプライバシ予算に対してより大きなユーティリティを約束する。
他のDPとは対照的に、自然プライバシーフィルターは一般に無料ではない。
実際、作成時に適切に順序付けられているプライバシメカニズムのファミリーのみが、無料の自然プライバシーフィルタを認めていることを示している。
関連論文リスト
- Private Hyperparameter Tuning with Ex-Post Guarantee [98.43027866582979]
「実用優先」のプライバシメカニズムは、望ましいユーティリティレベルを優先し、それに対応するプライバシコストを決定する。
Wu et al. [2019] と Liu と Talwar [2019] の作業を拡張して,プライベートな見積りのシーケンスをサポートします。
最適なプライバシ予算の選択を含む,これらの推定器のハイパーパラメータチューニングは,追加のプライバシコストなしで行うことができることを示す。
論文 参考訳（メタデータ） (2025-08-21T02:42:23Z) - DPBloomfilter: Securing Bloom Filters with Differential Privacy [17.002793355495136]
DPBloomfilterは、古典的な微分プライバシーメカニズム、特にランダム応答技術をブルームフィルタに統合する。
標準のBloomフィルタと同じ複雑な動作で、堅牢なプライバシー保証を提供する。
これは、メンバーシップクエリ問題に対するBloomフィルタに対して、差分プライバシー保証を提供する最初の作業である。
論文 参考訳（メタデータ） (2025-02-02T06:47:50Z) - 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) - Adaptive Privacy Composition for Accuracy-first Mechanisms [55.53725113597539]
ノイズ低減機構はますます正確な答えを生み出す。
アナリストは、公表された最も騒々しい、あるいは最も正確な回答のプライバシー費用のみを支払う。
ポスト前のプライベートメカニズムがどのように構成されるかは、まだ研究されていない。
我々は、分析者が微分プライベートとポストプライベートのメカニズムを適応的に切り替えることのできるプライバシーフィルタを開発した。
論文 参考訳（メタデータ） (2023-06-24T00:33:34Z) - 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) - Fully Adaptive Composition in Differential Privacy [53.01656650117495]
よく知られた高度な合成定理は、基本的なプライバシー構成が許すよりも、プライベートデータベースを2倍にクエリすることができる。
アルゴリズムとプライバシパラメータの両方を適応的に選択できる完全適応型合成を導入する。
適応的に選択されたプライバシパラメータが許されているにもかかわらず、定数を含む高度なコンポジションのレートに適合するフィルタを構築します。
論文 参考訳（メタデータ） (2022-03-10T17:03:12Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z) - 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)
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。