論文の概要: Differentially Private Runtime Monitoring

• arxiv url: http://arxiv.org/abs/2605.02391v2
• Date: Sun, 10 May 2026 13:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 19:24:01.227478
• Title: Differentially Private Runtime Monitoring
• Title（参考訳）: Differentially Private Runtime Monitoring
• Authors: Bernd Finkbeiner, Frederik Scheerer,
• Abstract要約: 本稿では,ストリームベースの監視仕様に差分プライバシーを自動的に適用するアプローチを提案する。 公共交通機関の利用状況のモニタリングを事例として,本手法の有効性と効果を実証する。
• 参考スコア（独自算出の注目度）: 5.156484100374059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern stream-based monitors collect detailed statistics of the runtime behavior of the system under observation. If the system runs in a privacy-sensitive context, this poses the risk of disclosing sensitive information. Differential privacy is the state-of-the-art approach for protecting sensitive information, however, integrating it into runtime monitoring is challenging: temporal operators can cause individual input values to influence multiple outputs over time, leading to repeated disclosure of private information. We propose an approach that automatically enforces differential privacy in stream-based monitoring specifications by analyzing temporal dependencies and injecting carefully calibrated noise into the specification. To preserve the utility of the outputs, we identify strategically chosen positions in the specification for noise injection and leverage tree-based mechanisms to mitigate the accuracy loss caused by noise injected into aggregation operators. We demonstrate the practicality and effectiveness of our approach in a case study on monitoring public transportation usage.
• Abstract（参考訳）: 最新のストリームベースのモニタは、観測中のシステムの実行時の挙動に関する詳細な統計データを収集する。 システムがプライバシーに敏感なコンテキストで動作する場合、機密情報を開示するリスクが生じる。 異なるプライバシは機密情報を保護するための最先端のアプローチだが、それをランタイム監視に統合することは難しい。 本稿では,時間的依存を分析し,適切に校正されたノイズを仕様に注入することにより,ストリームベースの監視仕様における差分プライバシーを自動的に適用する手法を提案する。 出力の有効性を維持するため,ノイズインジェクション仕様において戦略的に選択された位置を特定し,木に基づくメカニズムを利用して,集約演算子に注入されたノイズによる精度損失を軽減する。 公共交通機関の利用状況のモニタリングを事例として,本手法の有効性と効果を実証する。

関連論文リスト

• Only Whats Necessary: Pareto Optimal Data Minimization for Privacy Preserving Video Anomaly Detection [28.081614331006477]
  ビデオ異常検出(VAD)システムは、ますます重要な安全環境にデプロイされ、正確な検出のために大量のデータを必要とする。 しかし、データは個人識別可能な情報(PII)を含み、顔の手がかりや繊細な人口統計特性を含む。 What's Necessaryだけが、VADのためのプライバシ・バイ・デザインのフレームワークであり、検出パイプラインに露出する視覚情報量とタイプを明示的に制御する。
  論文  参考訳（メタデータ） (2026-03-27T12:26:56Z)
• Cooperative Local Differential Privacy: Securing Time Series Data in Distributed Environments [5.982082746731629]
  本稿では,複数のユーザに対してノイズベクトルを分散させることにより,プライバシを高める,協調的局所微分プライバシー(CLDP)機構を提案する。 提案手法では、ノイズが協調的に生成され、全てのユーザのデータが集約されると、個々のプライバシーを保護しながら、全体の統計特性を保存することをキャンセルする。
  論文  参考訳（メタデータ） (2025-11-12T19:52:03Z)
• Monitoring Violations of Differential Privacy over Time [3.3900431852643114]
  開発や展開の過程で変化を経験できるメカニズムの持続的な監査について検討する。 最先端の(静的な)監査を何度も実行するには、過剰なサンプリング努力が必要である。 本稿では,アルゴリズムの展開履歴全体から情報を抽出する新しいモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-09-24T16:15:51Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection [59.04634695294402]
  人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。 VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。 本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
  論文  参考訳（メタデータ） (2023-08-21T22:42:55Z)
• 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)
• A General Framework for Auditing Differentially Private Machine Learning [27.99806936918949]
  本稿では,差分プライベートな学習者によって与えられるプライバシ保証を統計的に評価する枠組みを提案する。 本研究は、微分プライベート機械学習実装のプライバシを実証的に評価する一般的な手法を開発する。
  論文  参考訳（メタデータ） (2022-10-16T21:34:18Z)
• Partial sensitivity analysis in differential privacy [58.730520380312676]
  それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。 プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。 また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
  論文  参考訳（メタデータ） (2021-09-22T08:29:16Z)
• Deep Directed Information-Based Learning for Privacy-Preserving Smart Meter Data Release [30.409342804445306]
  本稿では,時系列データとスマートメータ(SM)電力消費測定の文脈における問題点について検討する。 我々は、考慮された設定において、より意味のあるプライバシーの尺度として、指向情報(DI)を導入します。 最悪のシナリオにおけるSMs測定による実世界のデータセットに関する実証的研究は、プライバシとユーティリティの既存のトレードオフを示している。
  論文  参考訳（メタデータ） (2020-11-20T13:41:11Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
  GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。 しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。 本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T09:51:02Z)

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。