論文の概要: Tight Auditing of Differential Privacy in MST and AIM

• arxiv url: http://arxiv.org/abs/2604.18352v1
• Date: Mon, 20 Apr 2026 14:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.94414
• Title: Tight Auditing of Differential Privacy in MST and AIM
• Title（参考訳）: MSTとAIMにおける差分プライバシーの厳格な監査
• Authors: Georgi Ganev, Meenatchi Sundaram Muthu Selva Annamalai, Bogdan Kulynych,
• Abstract要約: MSTやAIMなどのDP合成データジェネレータが広く使われている。 我々は,完全な偽陽性/偽陰性トレードオフを通じてプライバシを測定するガウス微分プライバシー(GDP)ベースの監査フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 13.269597610891736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art Differentially Private (DP) synthetic data generators such as MST and AIM are widely used, yet tightly auditing their privacy guarantees remains challenging. We introduce a Gaussian Differential Privacy (GDP)-based auditing framework that measures privacy via the full false-positive/false-negative tradeoff. Applied to MST and AIM under worst-case settings, our method provides the first tight audits in the strong-privacy regime. For $(ε,δ)=(1,10^{-2})$, we obtain $μ_{emp}\approx0.43$ vs. implied $μ=0.45$, showing a small theory-practice gap. Our code is publicly available: https://github.com/sassoftware/dpmm.
• Abstract（参考訳）: MSTやAIMといった最先端の差分プライベート(DP)合成データジェネレータが広く使用されているが、プライバシー保証の厳格な監査は依然として難しい。 我々は,完全な偽陽性/偽陰性トレードオフを通じてプライバシを測定するガウス微分プライバシー(GDP)ベースの監査フレームワークを導入する。 MSTとAIMを最悪の場合に適用し,強いプライバシ体制における最初の厳密な監査を行う。 ε,δ)=(1,10^{-2})$の場合、$μ_{emp}\approx0.43$ vs. implied $μ=0.45$ を得る。 私たちのコードは、https://github.com/sassoftware/dpmm.comで公開されています。

関連論文リスト

• Why Does Differential Privacy with Large Epsilon Defend Against Practical Membership Inference Attacks? [19.21246519924815]
  小さめのプライバシーパラメータ$epsilon$, $epsilon$-differential privacy (DP)は、最悪のケースを保証する。 既存のDP理論では経験的発見は説明できない。 実用会員プライバシ(PMP)という新しいプライバシー概念を提案する。
  論文  参考訳（メタデータ） (2024-02-14T19:31:45Z)
• 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)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)

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。