Fugu-MT 論文翻訳(概要): Composition Theorems for Multiple Differential Privacy Constraints

論文の概要: Composition Theorems for Multiple Differential Privacy Constraints

arxiv url: http://arxiv.org/abs/2603.20968v1
Date: Sat, 21 Mar 2026 22:39:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.172971
Title: Composition Theorems for Multiple Differential Privacy Constraints
Title（参考訳）: 複数の微分プライバシー制約に対する合成理論
Authors: Cemre Cadir, Salim Najib, Yanina Y. Shkel,
Abstract要約: 2つの差分プライバシー(DP)制約が同時に保持されるメカニズムの正確な構成について研究する。結果として生じるプライバシ領域は、不均一DP保証機構の合成に対する正確な表現として認められている。
参考スコア（独自算出の注目度）: 3.160641766712591
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The exact composition of mechanisms for which two differential privacy (DP) constraints hold simultaneously is studied. The resulting privacy region admits an exact representation as a mixture over compositions of mechanisms of heterogeneous DP guarantees, yielding a framework that naturally generalizes to the composition of mechanisms for which any number of DP constraints hold. This result is shown through a structural lemma for mixtures of binary hypothesis tests. Lastly, the developed methodology is applied to approximate $f$-DP composition.
Abstract（参考訳）: 2つの差分プライバシー(DP)制約が同時に保持されるメカニズムの正確な構成について研究する。結果として生じるプライバシ領域は、不均一DPの機構の合成の混合として正確な表現を認め、任意の数のDP制約が保持されるメカニズムの構成に自然に一般化する枠組みを与える。この結果は、二項仮説テストの混合に対する構造補題を通して示される。最後に,開発手法を約$f$-DP合成に適用する。

関連論文リスト

Composition Theorems for f-Differential Privacy [5.592792888722342]
f差分プライバシー (fDP) は、プライバシプライバシの最近の定義であり、"プライバシ損失"の予測を改善することができる。統計的仮説テストにおけるfDPの基盤は, 定量的情報フローのチャネルモデルと等価であることを示す。
論文参考訳（メタデータ） (2025-12-23T08:21:00Z)
Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
論文参考訳（メタデータ） (2024-03-07T19:36:05Z)
Pure Differential Privacy for Functional Summaries via a Laplace-like Process [8.557392136621894]
この研究は、機能的な要約に差分プライバシーの新たなメカニズムを導入する。独立成分置換プロセス(ICLP)機構は、関心の要約を真に無限次元のオブジェクトとして扱う。合成および実データセットに関する数値実験により,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-08-31T20:24:51Z)
Composition in Differential Privacy for General Granularity Notions (Long Version) [2.933288589449038]
一般のフレームワークにおける差分プライバシ(DP)の構成可能性や,データドメインや近傍の定義について検討する。我々の定理は、並列およびシーケンシャルな構成設定の両方をカバーする。重要な点として、それらの間にあるすべての設定をカバーし、構成の最終的なプライバシ損失を、精度を大幅に向上して計算することができる。
論文参考訳（メタデータ） (2023-08-28T15:21:16Z)
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)
Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文参考訳（メタデータ） (2023-01-03T05:38:43Z)
Consistency Regularization for Deep Face Anti-Spoofing [69.70647782777051]
顔認証システムでは、顔認証(FAS)が重要な役割を担っている。このエキサイティングな観察によって、異なる視点の特徴整合性を促進することが、FASモデルを促進するための有望な方法かもしれないと推測する。 FASにおけるEPCR(Embeddding-level and Prediction-level Consistency Regularization)とEPCR(Embeddding-level Consistency Regularization)を併用した。
論文参考訳（メタデータ） (2021-11-24T08:03:48Z)
Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文参考訳（メタデータ） (2021-10-12T02:21:30Z)
Mixture Representation Learning with Coupled Autoencoders [1.589915930948668]
我々は、cpl-mixVAEと呼ばれる複数の相互作用ネットワークを用いた教師なし変分フレームワークを提案する。このフレームワークでは、各ネットワークの混合表現は、離散因子にコンセンサス制約を課すことで正規化される。提案手法を用いて,単細胞転写データセットにおける遺伝子発現を記述した変数の離散的・連続的因子を共同で発見する。
論文参考訳（メタデータ） (2020-07-20T04:12:04Z)
Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。