論文の概要: Beyond Theoretical Bounds: Empirical Privacy Loss Calibration for Text Rewriting Under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2603.22968v1
• Date: Tue, 24 Mar 2026 09:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.39394
• Title: Beyond Theoretical Bounds: Empirical Privacy Loss Calibration for Text Rewriting Under Local Differential Privacy
• Title（参考訳）: 理論上の境界を超えて: ローカルの差分プライバシーの下でテキストの書き直しを経験的プライバシーが損なう
• Abstract要約: 局所微分プライバシー(LDP)に基づくテキスト書き換え機構の校正方法について検討する。 本稿では,テキストの識別可能性監査を表面および埋め込み空間の両方で行うTeDAを提案する。 このキャリブレーションをいくつかの代表的なメカニズムに適用することにより、同様の名目$varepsilon$boundsは、非常に異なるレベルの識別可能性を示すことを示す。
• 参考スコア（独自算出の注目度）: 14.911187878937332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing use of large language models has increased interest in sharing textual data in a privacy-preserving manner. One prominent line of work addresses this challenge through text rewriting under Local Differential Privacy (LDP), where input texts are locally obfuscated before release with formal privacy guarantees. These guarantees are typically expressed by a parameter $\varepsilon$ that upper bounds the worst-case privacy loss. However, nominal $\varepsilon$ values are often difficult to interpret and compare across mechanisms. In this work, we investigate how to empirically calibrate across text rewriting mechanisms under LDP. We propose TeDA, which formulates calibration via a hypothesis-testing framework that instantiates text distinguishability audits in both surface and embedding spaces, enabling empirical assessment of indistinguishability from privatized texts. Applying this calibration to several representative mechanisms, we demonstrate that similar nominal $\varepsilon$ bounds can imply very different levels of distinguishability. Empirical calibration thus provides a more comparable footing for evaluating privacy-utility trade-offs, as well as a practical tool for mechanism comparison and analysis in real-world LDP text rewriting deployments.
• Abstract（参考訳）: 大規模言語モデルの利用が増加し、プライバシー保護の方法でテキストデータを共有することへの関心が高まっている。 ローカル微分プライバシ(LDP)の下でテキストを書き換えることによって、この課題に対処する作業の顕著な行のひとつが、正式なプライバシ保証を備えたリリース前に、入力テキストがローカルに難読化される、というものだ。 これらの保証は通常、最悪のプライバシー損失を上限とするパラメータ$\varepsilon$で表現される。 しかし、名目上の$\varepsilon$値はしばしばメカニズム間で解釈し比較することが困難である。 本研究では, LDP下でのテキスト書き起こし機構を実証的に校正する方法を検討する。 本研究では,表層および埋込空間におけるテキスト識別可能性監査をインスタンス化する仮説検証フレームワークを用いて校正を定式化するTeDAを提案する。 このキャリブレーションをいくつかの代表的なメカニズムに適用すると、同様の名目$\varepsilon$boundsは、非常に異なるレベルの識別可能性を示す。 これにより、実証的なキャリブレーションは、プライバシとユーティリティのトレードオフを評価するための、より同等の基盤を提供するとともに、現実の LDP テキスト書き換えデプロイメントにおけるメカニズム比較と分析のための実用的なツールを提供する。

関連論文リスト

• A Systematic Exploration of Text Decomposition and Budget Distribution in Differentially Private Text Obfuscation [16.51235052027641]
  テキストをチャンクする異なる方法と$varepsilon$をこれらのチャンクに割り当てるテクニックを組み合わせる方法を示す。 われわれの実験によると、このような設計選択は非常に重要であり、たとえ同等のプライバシー予算であっても、どの方法が選択されたかによって、かなり異なる結果が得られる。
  論文  参考訳（メタデータ） (2026-05-01T20:00:14Z)
• Alignment Imprint: Zero-Shot AI-Generated Text Detection via Provable Preference Discrepancy [51.887915969023965]
  現代のLarge Language Models (LLMs) がアライメントされ、測定可能な分布インプリントが残されていることを示す。 高エントロピー領域における不安定性を軽減するため、ログライクなアライメント・アライメント・プレフレパシー(LAPD)を導入する。 LAPDはアライメントインプリントに基づく標準化された情報重み統計である。
  論文  参考訳（メタデータ） (2026-04-18T09:12:24Z)
• The Double-edged Sword of LLM-based Data Reconstruction: Understanding and Mitigating Contextual Vulnerability in Word-level Differential Privacy Text Sanitization [53.51921540246166]
  我々は,言語大モデル (LLM) がDP対応テキストの文脈的脆弱性を活用可能であることを示す。 LLM再建の二重刃剣効果がプライバシーと実用性に与える影響を実験的に明らかにした。 本稿では,データ再構成を後処理のステップとして使用するための推奨事項を提案する。
  論文  参考訳（メタデータ） (2025-08-26T12:22:45Z)
• DP-Fusion: Token-Level Differentially Private Inference for Large Language Models [51.71591819896191]
  大規模言語モデル(LLM)は、推論時にプライバシを保存しない。 DP-Fusion は LLM の出力にコンテキスト内のトークンの集合が持つ影響を証明的に束縛する。 提案手法は, 理論的および実証的プライバシを大幅に改善した, 証明可能な民営化文書を作成する。
  論文  参考訳（メタデータ） (2025-07-06T20:49:39Z)
• Investigating User Perspectives on Differentially Private Text Privatization [81.59631769859004]
  この研究は、$textitscenario$, $textitdata sensitivity$, $textitmechanism type$, $textitreason for data collection$, $textitreason for user preferences for text privatizationについて調査する。 これらの要因がプライバシー決定に影響を及ぼす一方で、ユーザはプライベートな出力テキストの有用性と一貫性に非常に敏感である、ということを学びました。
  論文  参考訳（メタデータ） (2025-03-12T12:33:20Z)
• On the Impact of Noise in Differentially Private Text Rewriting [3.0177210416625124]
  そこで本稿では,DPテキストの書き直しにおけるノイズの影響を探索するために,新たな文埋込民営化手法を提案する。 実用性保護において非DP民営化技術が優れていることを実証的に示すとともに,実証的プライバシ保護においてDP手法を上回りつつも,許容可能な実証的プライバシユーティリティトレードオフを見出すことができることを示す。
  論文  参考訳（メタデータ） (2025-01-31T10:45:24Z)
• Just Rewrite It Again: A Post-Processing Method for Enhanced Semantic Similarity and Privacy Preservation of Differentially Private Rewritten Text [3.3916160303055567]
  本稿では,書き直したテキストを元のテキストと整合させることを目標とした,簡単な後処理手法を提案する。 以上の結果から,このような手法は,従来の入力よりも意味論的に類似した出力を生成するだけでなく,経験的プライバシ評価において平均的なスコアがよいテキストを生成することが示唆された。
  論文  参考訳（メタデータ） (2024-05-30T08:41:33Z)
• Disentangling the Linguistic Competence of Privacy-Preserving BERT [0.0]
  差別化プライバシ(DP)は、テキストからテキストへの民営化というユニークな課題に対処するために調整されている。 我々は、摂動前文で訓練されたBERTから抽出した内部表現に対して、一連の解釈手法を用いる。 この相違点を解き放つために探索的タスクを用いることで、テキストからテキストへの民営化がいくつかの形式主義における言語能力に影響を及ぼす証拠を見出す。
  論文  参考訳（メタデータ） (2023-10-17T16:00:26Z)
• 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)
• DP-BART for Privatized Text Rewriting under Local Differential Privacy [2.45626162429986]
  本稿では,既存の LDP システムに大きく勝る新システム "DP-BART" を提案する。 提案手法では,新たなクリッピング手法,反復的プルーニング,およびDP保証に必要なノイズを劇的に低減する内部表現の訓練を用いる。
  論文  参考訳（メタデータ） (2023-02-15T13:07:34Z)
• Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis Testing: A Lesson From Fano [83.5933307263932]
  本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。 基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
  論文  参考訳（メタデータ） (2022-10-24T23:50:12Z)

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。