論文の概要: Realisation-Level Privacy Filtering

• arxiv url: http://arxiv.org/abs/2604.08630v1
• Date: Thu, 09 Apr 2026 16:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.505238
• Title: Realisation-Level Privacy Filtering
• Title（参考訳）: プライバシフィルタの実現
• Abstract要約: データリリースの停止時間を決定するために,実現レベルフィルタリング手法を提案する。 フィルタは$(, )$-differential privacyを保証し、データハンドラが選択した$と$を保証します。 提案フィルタは、Rényi差分プライバシーの下でひどく振る舞うものを含む任意のメカニズムに適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study differentially private data release, where a database is accessed through successive, possibly adaptive queries and mechanisms. Existing composition theorems and privacy filters combine worst case per-round privacy parameters, leaving room for more refined accounting based on realised leakage, which we term realisation-level accounting. We propose a realisation-level filtering approach to determine stopping times for data releases, and design one such filter. Despite technical challenges arising from conditioning on realisations and stopping time, we prove that the filter guarantees $(ε, δ)$-differential privacy, with $ε$ and $δ$ chosen by the data handler. Through numerical evidence, we demonstrate that realisation-level filtering provides a path to better utility beyond mechanism-level methods. Furthermore, our proposed filter applies to arbitrary mechanisms, including those that are badly behaved under Rényi differential privacy.
• Abstract（参考訳）: 我々は、データベースが連続的に、おそらく適応的なクエリやメカニズムを通してアクセスされる、微分プライベートなデータリリースについて研究する。 既存の構成定理とプライバシフィルタは、全体のプライバシーパラメータ毎に最悪のケースを組み合わせ、実現されたリークに基づくより洗練された会計を行う余地を残します。 本稿では、データリリースの停止時間を決定するための実現レベルフィルタリング手法を提案し、そのようなフィルタを1つ設計する。 データハンドラが選択した$(ε, δ)$-differential privacyが保証されている。 数値的なエビデンスを通じて、実現レベルフィルタリングは、メカニズムレベルメソッドを超えて、より良いユーティリティへの道を提供することを示す。 さらに,Rényi差分プライバシー下での動作が悪く,任意のメカニズムにフィルタを適用した。

関連論文リスト

• $f$-Differential Privacy Filters: Validity and Approximate Solutions [10.451946278781007]
  完全な適応構成の下でのプライバシー損失の会計は、差分プライバシーにおける中心的な課題である。 最適なトレードオフベースの概念である$f$-DPが、完全な適応的相互作用の下で有効なプライバシーフィルタを認めるかどうかは不明だ。
  論文  参考訳（メタデータ） (2026-02-06T15:04:02Z)
• Sensitivity, Specificity, and Consistency: A Tripartite Evaluation of Privacy Filters for Synthetic Data Generation [57.13635002340272]
  個人識別可能な情報を含むサンプルを除去するためのポストホックプライバシーフィルタリング技術が提案されている。 本研究は胸部X線合成に適用した濾過パイプラインの厳密な評価を行う。 これらの手法がセンシティブなアプリケーションに確実にデプロイされるためには,フィルタ設計の大幅な進歩が必要であると結論付けている。
  論文  参考訳（メタデータ） (2025-10-02T08:32:20Z)
• 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)
• Who's in and who's out? A case study of multimodal CLIP-filtering in DataComp [13.749279800238092]
  画像テキストデータフィルタリングにはバイアスがあり、値レイデンであることを示す。 いくつかの差し迫った人口集団に関するデータは、排除率の上昇に関連している。 私たちの結論は、データセットの作成とフィルタリングのプラクティスに根本的な変更が必要であることを示している。
  論文  参考訳（メタデータ） (2024-05-13T21:53:06Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Declarative Privacy-Preserving Inference Queries [21.890318255305026]
  プライバシ保存型推論クエリを自動化するためのエンドツーエンドワークフローを提案する。 提案した宣言型プライバシ保護ワークフローでは,ユーザが“保護方法”ではなく,“保護すべきプライベート情報”を指定することが可能になった。
  論文  参考訳（メタデータ） (2024-01-22T22:50:59Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• 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)
• 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)
• 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)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。