論文の概要: $α$-Wasserstein Mechanism for Rényi Pufferfish Privacy

• arxiv url: http://arxiv.org/abs/2605.05723v1
• Date: Thu, 07 May 2026 06:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.554924
• Title: $α$-Wasserstein Mechanism for Rényi Pufferfish Privacy
• Title（参考訳）: Rényi Pufferfishのプライバシーのための$α$-Wassersteinメカニズム
• Authors: Ni Ding, Wenjin Yang, Zijian Zhang,
• Abstract要約: 本稿では,Rényi Pufferfish Privacyを実現するための$-Wasserstein機構を紹介する。 ラプラス機構のスケールパラメータは、$(, )$-Rényi Pufferfish Privacy for $in (1, infty)$を満たすために、$W_$メトリック上の上限によって校正可能であることを実証する。
• 参考スコア（独自算出の注目度）: 9.365672064609344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces the $α$-Wasserstein mechanism for achieving Rényi Pufferfish Privacy using Laplace and Gaussian noise. By leveraging Hölder's inequality, we demonstrate that the scale parameter of the Laplace mechanism can be calibrated via an upper bound on the $W_α$ metric to satisfy $(α, ε)$-Rényi Pufferfish Privacy for $α\in (1, \infty]$. We show that at the limit $α= \infty$, this framework recovers the established $W_\infty$ mechanism for $ε$-pufferfish privacy. This result is subsequently extended to the exponential mechanism. Furthermore, we propose a $W_α$ mechanism for Gaussian noise for $α\in (1, \infty)$, demonstrating that it generalizes existing results within the Rényi Differential Privacy framework. Experimental evaluations reveal that our $α$-Wasserstein mechanism significantly reduces noise power compared to the conventional $W_\infty$-based approach, with the Gaussian mechanism providing superior utility over the Laplace mechanism. Notably, the mechanisms derived in this work achieve exact $(α, ε)$-Rényi Pufferfish Privacy without requiring additional relaxations, such as $δ$-approximations.
• Abstract（参考訳）: 本稿では,Laplace と Gaussian noise を用いた Rényi Pufferfish Privacy を実現するための$α$-Wasserstein 機構を提案する。 ヘルダーの不等式を活用することで、ラプラス機構のスケールパラメータが$W_α$メトリック上の上限によってキャリブレーションされ、$(α, ε)$-Rényi Pufferfish Privacy for $α\in (1, \infty]$を満たすことを示した。 このフレームワークは, ε$-pufferfishプライバシーのための確立した$W_\infty$メカニズムを, 限界$α= \infty$で回復することを示す。 この結果は指数的な機構にまで拡張される。 さらに,ガウス雑音に対する$W_α$のメカニズムを$α\in (1, \infty)$に対して提案し,Rényi差分プライバシーフレームワーク内で既存の結果を一般化することを示した。 実験により,我々の$α$-Wasserstein機構は従来の$W_\infty$ベース手法に比べてノイズパワーを著しく低減し,ガウス機構はLaplace機構よりも優れた有効性を提供することがわかった。 特に、この研究に由来するメカニズムは、$δ$-approximationsのような追加の緩和を必要とすることなく、正確に$(α, ε)$-Rényi Pufferfish Privacyを達成する。

関連論文リスト

• LoRA and Privacy: When Random Projections Help (and When They Don't) [55.65932772290123]
  我々は、$S mapto M f(S)$ with $M sim W_d (1/r I_d, r)$という形のランダムマップである(ウィッシュアート)プロジェクション機構を導入し、その差分プライバシー特性について検討する。 ベクトル値が$f$の場合、付加雑音のない非漸近DP保証を証明し、ウィッシュアートのランダム性だけで十分であることを示す。 しかし,行列値クエリでは,ノイズフリーな環境では,そのメカニズムはDPではなく,その脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-01-29T13:43:37Z)
• Noise Reduction for Pufferfish Privacy: A Practical Noise Calibration Method [39.60741423066451]
  本稿では, 既存の過度な騒音を緩和し, 既存の1ドル=ワッサーシュタイン(カントロビッチ)機構に基づく。 我々は、我々のアプローチによる厳密なノイズ低減が、すべてのプライバシー予算に対して$$$および以前の信念に対して$$-Wassersteinメカニズムよりも常に存在することを証明している。 3つの実世界のデータセットの実験結果は、データユーティリティが47%から87%改善されたことを示している。
  論文  参考訳（メタデータ） (2026-01-10T02:01:45Z)
• 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)
• Approximate Differential Privacy of the $\ell_2$ Mechanism [52.61055173572399]
  我々は、近似微分プライバシーの下で、$d$次元統計量と有界$ell$感度を計算するための$ell$メカニズムについて研究する。 プライバシパラメータの範囲で、$ell$メカニズムはLaplaceやGaussianのメカニズムよりも低いエラーを得る。
  論文  参考訳（メタデータ） (2025-02-21T20:56:34Z)
• Count on Your Elders: Laplace vs Gaussian Noise [9.546521474972485]
  多くの環境では、ラプラスノイズはガウスノイズよりも好まれるかもしれないと我々は主張する。 ガウス機構によって付加される雑音は、常に同値な分散のラプラスノイズに置き換えることができることを示す。 これはガウスノイズが高次元雑音に使用されるという従来の知恵に挑戦する。
  論文  参考訳（メタデータ） (2024-08-13T16:36:33Z)
• Some Constructions of Private, Efficient, and Optimal $K$-Norm and Elliptic Gaussian Noise [54.34628844260993]
  微分プライベートな計算は、しばしば$d$次元統計学の感度に束縛されて始まる。 純粋な微分プライバシーのために、$K$-normメカニズムは統計学の感度空間に合わせた規範を用いてこのアプローチを改善することができる。 本稿では,総和,数,投票の単純な統計量について両問題を解く。
  論文  参考訳（メタデータ） (2023-09-27T17:09:36Z)
• Faster Privacy Accounting via Evolving Discretization [54.32252900997422]
  プライバシランダム変数の数値合成のための新しいアルゴリズムを提案する。 本アルゴリズムは,メカニズムを自己コンパイルするタスクに対して,$mathrmpolylog(k)$の実行時間とメモリ使用量を達成する。
  論文  参考訳（メタデータ） (2022-07-10T04:25:37Z)
• Differential privacy for symmetric log-concave mechanisms [0.0]
  データベースクエリ結果にランダムノイズを加えることは、プライバシを達成するための重要なツールである。 我々は、すべての対称および対数凹形ノイズ密度に対して、$(epsilon, delta)$-differential privacyに対して十分かつ必要な条件を提供する。
  論文  参考訳（メタデータ） (2022-02-23T10:20:29Z)
• Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling [49.43288037509783]
  ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。 私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
  論文  参考訳（メタデータ） (2020-12-23T17:07:26Z)
• A bounded-noise mechanism for differential privacy [3.9596068699962323]
  ベクトル $vecx(i) の平均 $frac1nsum_i=1n vecx(i)$ を [0,1]k$ で出力し、任意の $vecx(i)$ に対してプライバシーを保持します。 我々は、ほとんどの値$delta$に対して最適な$ell_infty$エラーを持つ$(epsilon,delta)$-privateメカニズムを示す。
  論文  参考訳（メタデータ） (2020-12-07T16:03:21Z)

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。