論文の概要: Answering Counting Queries with Differential Privacy on a Quantum Computer

• arxiv url: http://arxiv.org/abs/2604.10881v1
• Date: Mon, 13 Apr 2026 00:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.263241
• Title: Answering Counting Queries with Differential Privacy on a Quantum Computer
• Title（参考訳）: 量子コンピュータ上での差分プライバシによる数値クエリの解答
• Authors: Arghya Mukherjee, Hassan Jameel Asghar, Gavin K. Brennen,
• Abstract要約: 差分プライバシーを持つ量子符号化データセット上で、カウントクエリに答える方法を示す。 振幅を測定するために2つのアルゴリズムの差分プライバシー特性を解析する。
• 参考スコア（独自算出の注目度）: 0.7129650436893149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential privacy is a mathematical notion of data privacy that has fast become the de facto standard in privacy-preserving data analysis. Recently a lot of work has focused on differential privacy in the quantum setting. Continuing on this line of study, we investigate how to answer counting queries on a quantum encoded dataset with differential privacy. An example of a counting query is ``How many people in the dataset are over the age of 25 and with a university education?'' Counting queries form the most basic but nonetheless rich set of statistics extractable from a dataset. We show that answering these queries on a quantum encoded dataset reduces to measuring the amplitude of one of two orthogonal states. We then analyze the differential privacy properties of two algorithms from literature to measure amplitude: one which performs repeated measurements in the computational basis, and the other which utilizes the classic amplitude estimation algorithm. For the first technique, we prove privacy results for the case of counting queries that improve on previously known results on general queries, and show that the mechanism in fact \emph{amplifies} privacy due to inherent randomness. For the second method, we derive a tight bound on maximum possible change in the amplitude if we add or remove a single item in the dataset, a quantity called global sensitivity which is central in making an algorithm differentially private. We then show a differentially private version of the amplitude estimation algorithm for counting queries. We also discuss how these methods can be outsourced to a quantum server to blindly compute counting queries with differential privacy.
• Abstract（参考訳）: 差分プライバシーは、データプライバシの数学的概念であり、プライバシ保存データ分析におけるデファクトスタンダードとなっている。 最近、量子環境における差分プライバシーに多くの研究が焦点を当てている。 本研究は,量子符号化されたデータセットの問合せクエリに差分プライバシで答える方法について検討する。 カウントクエリの例として、‘25歳以上で大学の教育を受けたデータセットの何人’が挙げられます。 量子符号化データセット上でこれらのクエリに応答すると、2つの直交状態のうちの1つの振幅を測定することができる。 次に、2つのアルゴリズムの差分プライバシー特性を文献から分析して振幅を測定する。 最初のテクニックとして、一般的なクエリで既知結果を改善するクエリをカウントする場合のプライバシ結果を証明し、そのメカニズムが本質的にランダム性によってプライバシーを増幅することを示す。 第2の手法では、データセットに1つの項目を追加するか削除した場合の振幅の変化の最大値に厳密な制約を導出する。 次に、クエリをカウントする振幅推定アルゴリズムの微分プライベートバージョンを示す。 また、これらの手法を量子サーバにアウトソースして、差分プライバシーを持つカウントクエリを盲目的に計算する方法についても論じる。

関連論文リスト

• Keeping a Secret Requires a Good Memory: Space Lower-Bounds for Private Algorithms [67.94856074923571]
  本稿では,マルチプレイヤー通信ゲームに基づく新しい証明手法を提案する。 本稿では,このコミュニケーションゲームに勝つためには,過剰なユーザ数に比例した情報伝達が必要であることを示す。 このコミュニケーション理論の手法は幅広い問題のクラスに一般化し、プライベートな中央値、量子化値、最大選択値の下位境界を導出することを示す。
  論文  参考訳（メタデータ） (2026-02-12T17:49:07Z)
• Scalable Private Partition Selection via Adaptive Weighting [66.09199304818928]
  プライベート・セット・ユニオンでは、ユーザーは非有界宇宙からのアイテムのサブセットを保持する。 目標は、ユーザレベルの差分プライバシーを維持しながら、ユーザセットの統一から可能な限り多くのアイテムを出力することである。 この問題に対するアルゴリズムであるMaxDegree (MAD) を提案する。これは、プライバシに必要なしきい値よりもはるかに重いものからより小さいものへ、より適応的に重みを還元するアルゴリズムである。 我々のアルゴリズムは並列アルゴリズムの中で最高の結果を提供し、数十億の項目からなるデータセットにスケールする。
  論文  参考訳（メタデータ） (2025-02-13T01:27:11Z)
• On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
  差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。 差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。 アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-02-11T14:45:31Z)
• Differential Privacy Amplification in Quantum and Quantum-inspired Algorithms [0.6827423171182154]
  量子および量子に着想を得たアルゴリズムに対するプライバシー境界の増幅を提供する。 古典的なデータセットの量子符号化で実行されるアルゴリズムは、差分プライバシーを増幅する。
  論文  参考訳（メタデータ） (2022-03-07T18:55:20Z)
• Quantum Differential Privacy: An Information Theory Perspective [2.9005223064604073]
  本稿では,情報理論の枠組みにおける差分プライバシーを量子分岐として論じる。 このアプローチの主な利点は、差分プライバシーが計算の出力状態のみに基づいてプロパティとなることである。
  論文  参考訳（メタデータ） (2022-02-22T08:12:50Z)
• Robust and Differentially Private Mean Estimation [40.323756738056616]
  異なるプライバシーは、米国国勢調査から商用デバイスで収集されたデータまで、さまざまなアプリケーションで標準要件として浮上しています。 このようなデータベースの数は、複数のソースからのデータからなり、それらすべてが信頼できるわけではない。 これにより、既存のプライベート分析は、腐敗したデータを注入する敵による攻撃に弱い。
  論文  参考訳（メタデータ） (2021-02-18T05:02:49Z)
• Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
  基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。 この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
  論文  参考訳（メタデータ） (2020-08-18T16:22:06Z)
• Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
  本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。 我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。 次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2020-07-18T09:12:03Z)
• Differentially Private Algorithms for Statistical Verification of Cyber-Physical Systems [5.987774571079633]
  抽出されたサンプルの数を明らかにすることは、プライバシーを侵害する可能性があることを示す。 予測差分プライバシーと呼ばれる新しい差分プライバシーの概念を提案する。
  論文  参考訳（メタデータ） (2020-04-01T08:14:23Z)

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。