論文の概要: Differential Privacy for Symbolic Trajectories via the Permute-and-Flip Mechanism

• arxiv url: http://arxiv.org/abs/2603.28903v1
• Date: Mon, 30 Mar 2026 18:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.665096
• Title: Differential Privacy for Symbolic Trajectories via the Permute-and-Flip Mechanism
• Title（参考訳）: パーミュート・アンド・フリップ機構による記号軌道の微分プライバシー
• Authors: Alexander Benvenuti, Huaiyuan Rao, Matthew Hale,
• Abstract要約: 我々は,有限アルファベット上の単語として表現される可能性のある記号系の状態軌跡を民営化する新しいメカニズムを開発する。 当社のメカニズムの正確性は,それまでの最先端技術よりも決して悪くありません。実トラフィックデータセットに,エラーを最大55%削減する,という実証的な結果が得られています。
• 参考スコア（独自算出の注目度）: 42.73108425701334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy techniques have been developed for data-driven systems, but systems with non-numeric data cannot use typical noise-adding techniques. Therefore, we develop a new mechanism for privatizing state trajectories of symbolic systems that may be represented as words over a finite alphabet. Such systems include Markov chains, Markov decision processes, and finite-state automata, and we protect their symbolic trajectories with differential privacy. The mechanism we develop randomly selects a private approximation to be released in place of the original sensitive word, with a bias towards low-error private words. This work is based on the permute-and-flip mechanism for differential privacy, which can be applied to non-numeric data. However, a naïve implementation would have to enumerate an exponentially large list of words to generate a private word. As a result, we develop a new mechanism that generates private words without ever needing to enumerate such a list. We prove that the accuracy of our mechanism is never worse than the prior state of the art, and we empirically show on a real traffic dataset that it introduces up to $55\%$ less error than the prior state of the art under a conventional privacy implementation.
• Abstract（参考訳）: データ駆動システムではプライバシ技術が開発されているが、非数値データを持つシステムは典型的なノイズ付加技術を使用することはできない。 そこで我々は,有限アルファベット上の単語として表現できる記号系の状態軌跡を民営化する新しいメカニズムを開発した。 このようなシステムにはマルコフ連鎖、マルコフ決定過程、有限状態オートマトンが含まれており、それらのシンボル的軌道を差分プライバシーで保護する。 開発したメカニズムは,従来のセンシティブな単語の代わりに解放されるプライベートな近似をランダムに選択し,低エラーなプライベートな単語に対するバイアスを与える。 この研究は、微分プライバシーのためのパーミュート・アンド・フリップ機構に基づいており、これは非数値データに適用できる。 しかし、ナイーブの実装では、指数関数的に大きな単語のリストを列挙してプライベートな単語を生成する必要がある。 その結果、そのようなリストを列挙する必要がないような、プライベートな単語を生成する新しいメカニズムを開発した。 従来のプライバシ実装では,従来の状態よりもエラーが最大5,5\%低い実トラフィックデータセットを実証的に示す。

関連論文リスト

• Differentially Private Random Feature Model [47.35176457481132]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Private prediction for large-scale synthetic text generation [28.488459921169905]
  大規模言語モデル(LLM)を用いた微分プライベートテキスト生成手法を提案する。 プライベートな予測フレームワークでは、差分プライバシー保証を満たすために出力された合成データのみを必要とする。
  論文  参考訳（メタデータ） (2024-07-16T18:28:40Z)
• 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)
• 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)
• Uncertainty-Autoencoder-Based Privacy and Utility Preserving Data Type Conscious Transformation [3.7315964084413173]
  プライバシ・ユーティリティのトレードオフ問題に対処する逆学習フレームワークを2つの条件で提案する。 データタイプの無知な条件下では、プライバシメカニズムは、正確に1つのクラスを表す、カテゴリ機能の1ホットエンコーディングを提供する。 データ型認識条件下では、分類変数は各クラスごとに1つのスコアの集合で表される。
  論文  参考訳（メタデータ） (2022-05-04T08:40:15Z)
• On a Utilitarian Approach to Privacy Preserving Text Generation [5.123298347655088]
  本研究では, 従来機構の近傍選択基準をパラメータ化する微分的プライベート機構のクラスを提案する。 Vickreyオークションは、第2位の価格のみを公表し、最も高い価格を非公開にしておくことで、第1位と第2位の隣人の選択のバランスをとる。 実際のテキスト分類データセットの実験では、同じ実証的なプライバシー保証を持つ既存の最先端技術と比較して、ユーティリティが最大50%改善されている。
  論文  参考訳（メタデータ） (2021-04-23T23:13:43Z)
• N-grams Bayesian Differential Privacy [1.3443690690260939]
  ベイズ方式では,プライバシ損失の指標であるepsilonに厳密な制限を与えるために,公開データを事前設定として使用する差分プライバシー機構を提案する。 それまで知られていたエプシロンの機構が0.1に等しいのに対し、KLの発散は最大85%減少する。 我々は、n-gram言語モデリングタスクにおけるk-匿名性と比較し、大きな語彙サイズで競合性能を提供することを示す。
  論文  参考訳（メタデータ） (2021-01-29T18:48:49Z)

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。