論文の概要: Integrating Feature Correlation in Differential Privacy with Applications in DP-ERM

• arxiv url: http://arxiv.org/abs/2605.03945v1
• Date: Tue, 05 May 2026 16:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.035664
• Title: Integrating Feature Correlation in Differential Privacy with Applications in DP-ERM
• Title（参考訳）: 差分プライバシーにおける特徴相関とDP-ERMの応用
• Authors: Tianyu Wang, Luhao Zhang, Rachel Cummings,
• Abstract要約: 標準差分プライバシーは、すべての機能に統一的なプライバシー制約を課し、実際にはセンシティブで非センシティブな機能に固有の区別を見落としている。 本稿では,関係性を考慮したフレームワークである$textsfCorrDP$を提案する。 我々は、textsfCorrDP$ベースのDP-ERMアルゴリズムが、不感な機能の存在下で標準のDPフレームワークより一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.427435582630572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard differential privacy imposes uniform privacy constraints across all features, overlooking the inherent distinction between sensitive and insensitive features in practice. In this paper, we introduce a relaxed definition of differential privacy that accounts for such heterogeneity, allowing certain features to be treated as insensitive even when correlated with sensitive ones. We propose a correlation-aware framework, $\textsf{CorrDP}$, which relaxes privacy for insensitive features while accounting for their correlations with sensitive features, with the correlations quantified using total variation distance. We design algorithms for differentially private empirical risk minimization (DP-ERM) under the $\textsf{CorrDP}$ framework, incorporating distance-dependent noise into gradients for improved theoretical utility guarantees. When the correlation distance is unknown, we estimate it from the dataset and show that it achieves a comparable privacy-utility guarantee. We perform experiments on synthetic and real-world datasets and show that $\textsf{CorrDP}$-based DP-ERM algorithms consistently outperform the standard DP framework in the presence of insensitive features.
• Abstract（参考訳）: 標準差分プライバシーは、すべての機能に均一なプライバシー制約を課し、実際にはセンシティブで非センシティブな機能に固有の区別を見落としている。 本稿では、そのような不均一性を考慮した微分プライバシーの定義を緩やかに定義し、センシティブなものと相関しても、特定の特徴を無神経として扱えるようにする。 本稿では,関係性を考慮したフレームワークである$\textsf{CorrDP}$を提案する。 我々は、理論上の実用性保証を改善するために、距離依存ノイズを勾配に組み込んだ、$\textsf{CorrDP}$フレームワークの下で、微分プライベートな経験的リスク最小化(DP-ERM)のためのアルゴリズムを設計する。 相関距離が不明な場合、データセットから推定し、同等のプライバシーユーティリティ保証を達成することを示す。 我々は、合成および実世界のデータセットの実験を行い、$\textsf{CorrDP}$-based DP-ERMアルゴリズムが、不感な特徴の存在下で標準DPフレームワークを一貫して上回っていることを示す。

関連論文リスト

• Frequency Estimation of Correlated Multi-attribute Data under Local Differential Privacy [5.258253745672122]
  ローカル微分プライバシー(LDP)は、ユーザのデータプライバシを保護する強力なツールである。 既存のLDPメカニズムは、すべての属性にプライバシ予算を分割するか、それぞれの属性を独立して扱うかのいずれかである。 我々は属性間の相関を利用して実用性を大幅に向上する新しいLCP機構であるCorrelated Randomized Response (Corr-RR)を提案する。
  論文  参考訳（メタデータ） (2025-07-23T13:52:45Z)
• $(ε, δ)$-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)
• Distributed, communication-efficient, and differentially private estimation of KL divergence [15.294136011320433]
  分散された機密性の高いデータを管理する上で重要なタスクは、分散の変化の度合いを測定することである。 差分プライバシの下で,計算のフェデレーションモデル間でのKL分散を推定するための新しいアルゴリズムアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-11-25T15:20:40Z)
• Optimal Federated Learning for Nonparametric Regression with Heterogeneous Distributed Differential Privacy Constraints [5.3595271893779906]
  本研究では,異なるサーバにまたがる分散サンプルのコンテキストにおける非パラメトリック回帰のためのフェデレーション学習について検討した。 統計の正確さとプライバシーの保護のトレードオフに光を当てている。
  論文  参考訳（メタデータ） (2024-06-10T19:34:07Z)
• 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)
• 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)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。