論文の概要: INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy

• arxiv url: http://arxiv.org/abs/2605.07930v1
• Date: Fri, 08 May 2026 16:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.18431
• Title: INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy
• Title（参考訳）: INO-SGD:個別の差別化プライバシの下でのユーティリティの不均衡に対処する
• Authors: Xiao Tian, Jue Fan, Rachael Hwee Ling Sim, Bryan Kian Hsiang Low,
• Abstract要約: ディファレンシャルプライバシ(DP)は、機密データや機密データを保護するために機械学習に広く利用されている。 本稿では,各バッチ内のデータを戦略的に低重み付けし,よりプライベートなデータの性能を向上させるINO-SGDアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 49.094769650817796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential privacy (DP) is widely employed in machine learning to protect confidential or sensitive training data from being revealed. As data owners gain greater control over their data due to personal data ownership, they are more likely to set their own privacy requirements, necessitating individualized DP (IDP) to fulfil such requests. In particular, owners of data from more sensitive subsets, such as positive cases of stigmatized diseases, likely set stronger privacy requirements, as leakage of such data could incur more serious societal impact. However, existing IDP algorithms induce a critical utility imbalance problem: Data from owners with stronger privacy requirements may be severely underrepresented in the trained model, resulting in poorer performance on similar data from subsequent users during deployment. In this paper, we analyze this problem and propose the INO-SGD algorithm, which strategically down-weights data within each batch to improve performance on the more private data across all iterations. Notably, our algorithm is specially designed to satisfy IDP, while existing techniques addressing utility imbalance neither satisfy IDP nor can be easily adapted to do so. Lastly, we demonstrate the empirical feasibility of our approach.
• Abstract（参考訳）: ディファレンシャルプライバシ(DP)は、機密データや機密データを保護するために機械学習に広く利用されている。 データ所有者は、個人データ所有によってデータに対するより深いコントロールを得るため、その要求を満たすために個別のDP(IDP)を必要とするため、独自のプライバシ要件を設定する傾向にある。 特に、より敏感なサブセット、例えば重篤化疾患の陽性ケースからのデータの所有者は、そのようなデータの漏洩がより深刻な社会的影響を引き起こす可能性があるため、より強力なプライバシー要件を設定できる可能性がある。 しかし、既存のIDPアルゴリズムは、重要なユーティリティ不均衡の問題を引き起こす: より強力なプライバシ要件を持つ所有者のデータは、トレーニングされたモデルでは著しく過小評価され、結果として、デプロイ中の後続のユーザによる同様のデータのパフォーマンスが低下する可能性がある。 本稿では,この問題を解析し,すべてのイテレーションにおいてよりプライベートなデータの性能を向上させるために,各バッチ内のデータを戦略的に低重み付けするINO-SGDアルゴリズムを提案する。 特に,本アルゴリズムはIDPを満たすために特別に設計されているが,ユーティリティ不均衡に対応する既存の手法はIDPを満足せず,容易に適用可能である。 最後に、我々のアプローチの実証的実現可能性を示す。

関連論文リスト

• How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy [52.00934156883483]
  Differential Privacy(DP)は、情報漏洩を推論し、制限するフレームワークである。 Differentially Private Synthetic Dataは、ソースデータの全体的なトレンドを保存する合成データを指す。
  論文  参考訳（メタデータ） (2025-12-02T21:14:39Z)
• Optimal Allocation of Privacy Budget on Hierarchical Data Release [48.96399034594329]
  本稿では,階層データリリースにおける最適プライバシ予算割り当ての問題に対処する。 データの粒度とプライバシー損失のトレードオフを考慮しつつ、全プライバシー予算の対象となるデータユーティリティの最大化を目指している。
  論文  参考訳（メタデータ） (2025-05-16T05:25:11Z)
• DP-CDA: An Algorithm for Enhanced Privacy Preservation in Dataset Synthesis Through Randomized Mixing [0.8739101659113155]
  有効なデータパブリッシングアルゴリズムであるemphDP-CDAを導入する。 提案アルゴリズムは、クラス固有の方法でデータをランダムに混合し、プライバシー保証を確保するために慎重に調整されたランダム性を誘導することにより、合成データセットを生成する。 以上の結果から,DP-CDAを用いた合成データセットは,同一のプライバシー要件下であっても,従来のデータパブリッシングアルゴリズムで生成したデータセットよりも優れた実用性が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-11-25T06:14:06Z)
• Private Estimation when Data and Privacy Demands are Correlated [5.755004576310333]
  微分プライバシーは、統計クエリーのプライバシーを確保するための現在のゴールドスタンダードである。 単変量データに対する経験的平均推定の問題とカテゴリーデータに対する周波数推定について考察する。 提案アルゴリズムは,PAC誤差と平均二乗誤差の両方で理論的性能を保証する。
  論文  参考訳（メタデータ） (2024-07-15T22:46:02Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Conciliating Privacy and Utility in Data Releases via Individual Differential Privacy and Microaggregation [4.287502453001108]
  $epsilon$-Differential Privacy(DP)は、強力なプライバシ保証を提供するよく知られたプライバシモデルである。 被験者にDPと同じ保護を提供しながらデータ歪みを低減させるiDP ($epsilon$-individual differential privacy) を提案する。 本稿では,2次データ解析の精度を著しく低下させることのない保護データを提供しながら,我々のアプローチが強力なプライバシ(小額のepsilon$)を提供することを示す実験について報告する。
  論文  参考訳（メタデータ） (2023-12-21T10:23:18Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
  本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。 属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。 また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
  論文  参考訳（メタデータ） (2022-08-24T17:52:43Z)
• P3GM: Private High-Dimensional Data Release via Privacy Preserving Phased Generative Model [23.91327154831855]
  本稿では,プライバシ保護型位相生成モデル(P3GM)を提案する。 P3GMは2段階の学習プロセスを採用し、ノイズに対して堅牢にし、学習効率を向上させる。 最先端の手法と比較して、生成したサンプルはノイズが少なく、データ多様性の観点からも元のデータに近いように見える。
  論文  参考訳（メタデータ） (2020-06-22T09:47:54Z)

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。