論文の概要: Differentially Private Manifold Denoising

• arxiv url: http://arxiv.org/abs/2604.00942v1
• Date: Wed, 01 Apr 2026 14:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.031987
• Title: Differentially Private Manifold Denoising
• Title（参考訳）: 微分プライベートマニフォールドデノナイジング
• Authors: Jiaqi Wu, Yiqing Sun, Zhigang Yao,
• Abstract要約: 本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。 このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。 実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
• 参考スコア（独自算出の注目度）: 5.0794787043927725
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce a differentially private manifold denoising framework that allows users to exploit sensitive reference datasets to correct noisy, non-private query points without compromising privacy. The method follows an iterative procedure that (i) privately estimates local means and tangent geometry using the reference data under calibrated sensitivity, (ii) projects query points along the privately estimated subspace toward the local mean via corrective steps at each iteration, and (iii) performs rigorous privacy accounting across iterations and queries using $(\varepsilon,δ)$-differential privacy (DP). Conceptually, this framework brings differential privacy to manifold methods, retaining sufficient geometric signal for downstream tasks such as embedding, clustering, and visualization, while providing formal DP guarantees for the reference data. Practically, the procedure is modular and scalable, separating DP-protected local geometry (means and tangents) from budgeted query-point updates, with a simple scheduler allocating privacy budget across iterations and queries. Under standard assumptions on manifold regularity, sampling density, and measurement noise, we establish high-probability utility guarantees showing that corrected queries converge toward the manifold at a non-asymptotic rate governed by sample size, noise level, bandwidth, and the privacy budget. Simulations and case studies demonstrate accurate signal recovery under moderate privacy budgets, illustrating clear utility-privacy trade-offs and providing a deployable DP component for manifold-based workflows in regulated environments without reengineering privacy systems.
• Abstract（参考訳）: 本稿では,プライバシを損なうことなく,機密性の高い参照データセットを利用してノイズの多い非プライベートなクエリポイントを修正可能な,微分プライベートなデノベーションフレームワークを提案する。 その方法は反復的な手順に従う 一 校正感度の基準データを用いた局所的手段及び接地形状を民間で推定すること。 (ii)各イテレーションにおける補正ステップを通じて、プライベートに推定された部分空間に沿って、局所的な平均に向かってクエリポイントを計画し、 (iii)$(\varepsilon,δ)$-differential privacy (DP)を用いて反復およびクエリ間で厳格なプライバシ会計を行う。 概念的には、このフレームワークは多様体のメソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持し、参照データに対して正式なDP保証を提供する。 実際には、このプロシージャはモジュール的でスケーラブルで、DPで保護されたローカルジオメトリ(平均と接尾辞)を、予算のついたクエリポイント更新から切り離し、イテレーションとクエリをまたいだプライバシ予算を割り当てるシンプルなスケジューラである。 本研究では, 正規度, サンプリング密度, 測定ノイズに関する標準仮定に基づき, 精度の高い実用性保証を定め, サンプルサイズ, ノイズレベル, 帯域幅, プライバシ予算によって支配される非漸近速度で, 補正されたクエリが多様体に収束することを示す。 シミュレーションとケーススタディは、適切なプライバシ予算の下で正確な信号回復を示し、明確なユーティリティプライバシトレードオフを示し、プライバシシステムを再設計することなく、規制された環境における多様体ベースのワークフローにデプロイ可能なDPコンポーネントを提供する。

関連論文リスト

• Breaking the Gaussian Barrier: Residual-PAC Privacy for Automatic Privatization [27.430637970345433]
  PACプライバシーアルゴリズムによって得られる上限は、摂動機構の出力が独立雑音を伴うガウス的である場合にのみ厳密であることを示す。 本稿では,逆推定後に残るプライバシを定量化するf-divergenceベースの尺度であるResidual-PAC(R-PAC)プライバシーを紹介する。 提案手法は,任意のデータ分布に対する効率的なプライバシ予算利用を実現し,複数のメカニズムがデータセットにアクセスすると自然に構成する。
  論文  参考訳（メタデータ） (2025-06-06T20:52:47Z)
• Verifiable Exponential Mechanism for Median Estimation [4.083860866484599]
  本稿では,zk-SNARKを用いた指数関数機構の最初の検証実装を提案する。 具体的応用として、最初の検証可能な微分プライベート(DP)中央値推定法を示す。
  論文  参考訳（メタデータ） (2025-05-22T05:31:22Z)
• $(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
  我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。 実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
  論文  参考訳（メタデータ） (2024-12-12T10:49:55Z)
• Privacy-Preserving Set-Based Estimation Using Differential Privacy and Zonotopes [2.206168301581203]
  大規模サイバー物理システムでは、状態推定を行うために空間分布センサの協調が必要であることが多い。 プライバシの懸念は、機密性の高い測定結果をクラウド推定器に開示することにある。 本稿では,推定集合における真の状態の保持と,感度測定のための差分プライバシーを保証する,差分プライベートな集合ベース推定プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-08-30T13:05:38Z)
• Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
  非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。 当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
  論文  参考訳（メタデータ） (2024-03-19T17:54:49Z)
• On the Query Complexity of Training Data Reconstruction in Private Learning [0.0]
  我々は,ホワイトボックスの敵が学習者に対して行わなければならないクエリ数を分析し,学習データを再構築する。 例えば$(epsilon, delta)$ DPの学習者は任意のコンパクトな距離空間から引き出された訓練データを持つ。
  論文  参考訳（メタデータ） (2023-03-29T00:49:38Z)
• 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)

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。