論文の概要: Rényi Pufferfish Privacy with Gaussian-based Priors: From Single Gaussian to Mixture Model

• arxiv url: http://arxiv.org/abs/2604.23649v1
• Date: Sun, 26 Apr 2026 10:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.481592
• Title: Rényi Pufferfish Privacy with Gaussian-based Priors: From Single Gaussian to Mixture Model
• Title（参考訳）: Rényi Pufferfish Privacy with Gaussian-based Priors: From Single Gaussian to Mixture Model
• Authors: Wenjin Yang, Ni Ding, Zijian Zhang, Zhen Li, Jing Sun, Jincheng An, Yong Liu, Liehuang Zhu,
• Abstract要約: Rényi Pufferfish Privacy (RPP)は、相関データのためのRényi分散ベースのプライバシーフレームワークを提供する。 RPPのガウス的メカニズムをガウス的およびガウス的混合先行条件下で研究する。
• 参考スコア（独自算出の注目度）: 42.05545756775521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rényi Pufferfish Privacy (RPP) provides a Rényi divergence-based privacy framework for correlated data, but existing $\infty$-Wasserstein mechanisms are often conservative and sacrifice data utility. We study Gaussian mechanisms for RPP under Gaussian and Gaussian-mixture priors. For single Gaussian priors, we derive the exact Rényi divergence after Gaussian perturbation, obtain a relaxed closed-form sufficient condition for $(α,ε)$-RPP, and characterize the monotonicity of the calibrated noise with respect to the privacy budget $ε$ and the Rényi order $α$. To handle more general non-Gaussian and multimodal priors, we approximate secret-conditioned outputs with Gaussian mixture models and introduce an optimal-transport-based sufficient condition for RPP. Experiments on three UCI datasets with statistical (\textsc{RAW}, \textsc{MEAN}) and model-output (\textsc{BNN}, \textsc{GP}) queries show that our prior-aware mechanisms consistently require less noise than a recent RPP additive-noise baseline, achieving an average noise reduction of 48.9\%. These results show that our mechanisms can substantially improve the privacy-utility trade-off under RPP.
• Abstract（参考訳）: Rényi Pufferfish Privacy (RPP)は相関データのためのRényi分散ベースのプライバシーフレームワークを提供するが、既存の$\infty$-Wassersteinメカニズムは保守的であり、データユーティリティを犠牲にすることが多い。 RPPのガウス的メカニズムをガウス的およびガウス的混合先行条件下で研究する。 1つのガウス事前に対しては、ガウス摂動後の正確なレニイ偏差を導出し、(α,ε)$-RPP に対して緩和された閉形式の十分条件を求め、プライバシー予算 $ε$ とレニイ次数 $α$ に関して校正された雑音の単調性を特徴づける。 より一般的な非ガウス的およびマルチモーダル的先行性を扱うために、秘密条件付き出力をガウス混合モデルで近似し、RPPに対して最適輸送に基づく十分条件を導入する。 統計的 (\textsc{RAW}, \textsc{MEAN}) とモデルアウトプット (\textsc{BNN}, \textsc{GP}) の3つのUCIデータセットに対する実験により、我々の事前認識機構は、最近のRCP付加雑音ベースラインよりもノイズが少なく、48.9\%の平均ノイズ低減を実現していることが示された。 これらの結果から,我々のメカニズムはRCPの下でのプライバシーとユーティリティのトレードオフを大幅に改善できることが示唆された。

関連論文リスト

• Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning [49.66162382667325]
  一般化ガウス機構(英語版)を考察し、ある$beta geq 1$に対して$e-frac| x |sigmabeta $ に比例した付加雑音項 $x$ をサンプリングする。 GGメカニズムとその変種に対するプライバシ会計は独立であり、プライバシ会計の計算コストを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-06-14T15:49:25Z)
• $(ε, δ)$-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)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Approximation of Pufferfish Privacy for Gaussian Priors [6.2584995033090625]
  また,各識別シークレットペアに設定されたガウス分布の平均と分散の差に,付加的なラプラスノイズが校正された場合,$(epsilon, delta)$-pufferfishのプライバシが達成されることを示す。 典型的なアプリケーションは、和(または平均)クエリのプライベートリリースである。
  論文  参考訳（メタデータ） (2024-01-22T22:43:38Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)
• Sharp Statistical Guarantees for Adversarially Robust Gaussian Classification [54.22421582955454]
  逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。 結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
  論文  参考訳（メタデータ） (2020-06-29T21:06:52Z)

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。