論文の概要: The Privacy Subsidy: Kyle's $λ$ under Noise-Perturbed Order-Flow Observation

• arxiv url: http://arxiv.org/abs/2605.15746v2
• Date: Tue, 19 May 2026 11:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.372792
• Title: The Privacy Subsidy: Kyle's $λ$ under Noise-Perturbed Order-Flow Observation
• Title（参考訳）: プライバシ・サブシディ:Kyleの$λ$はノイズ・コンチュアド・オーダー・フローによる観測
• Authors: Yuki Nakamura,
• Abstract要約: プライバシを保存する暗号通貨取引所は、価格設定メカニズムが注文フローについて観察するものを変更する。 ベイズ市場メーカーが独立なガウスのプライバシーノイズによって乱される秩序の流れを観察する際、ユニークな線形カイル均衡を導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-preserving cryptocurrency exchanges (shielded AMMs, batched swap auctions, sealed-bid order-flow auctions) alter what the pricing mechanism observes about order flow. We derive the unique linear Kyle equilibrium when a committed Bayesian market maker observes order flow perturbed by independent Gaussian privacy noise. The price-impact coefficient and informed-trader strategy both rescale by a single factor in the privacy parameter, and their product is invariant. A welfare decomposition then identifies a closed-form per-period transfer from the protocol's LP pool to traders -- the "privacy subsidy", the break-even fee any privacy-aggregated exchange must charge. The result is the single-period closed-form privacy-noise analog of Loss-Versus-Rebalancing (Milionis et al. 2022). The primary application is shielded AMMs with explicit additive-noise injection (e.g., differential privacy); related designs (batched swaps, sealed-bid auctions, oracle-pegged crossings) require separate frameworks that we leave to future work.
• Abstract（参考訳）: プライバシを保存する暗号通貨取引所(シールド付きAMM、バッチスワップオークション、封じ込め付きオーダーフローオークション)は、価格設定メカニズムが注文フローにどのような影響を及ぼすかを変更する。 ベイズ市場メーカーが独立なガウスのプライバシーノイズによって乱される秩序の流れを観察する際、ユニークな線形カイル均衡を導出する。 価格影響係数と情報トレーダ戦略はいずれも、プライバシパラメータの単一因子によって再スケールされ、その製品は不変である。 福祉の分解により、プロトコルのLPプールからトレーダーへの期間ごとのクローズドフォームの転送が特定される。 その結果、Los-Versus-Rebalancing (Milionis et al 2022) の単一周期のクローズド・フォーム・プライバシ・ノイズのアナログとなる。 関連した設計(バッチスワップ、シールされたビッドオークション、オラクルペッグによる交差)は、私たちが将来の作業に残す別のフレームワークを必要とします。

関連論文リスト

• Differentially Private Manifold Denoising [5.0794787043927725]
  本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。 このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。 実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
  論文  参考訳（メタデータ） (2026-04-01T14:13:59Z)
• STAMP: Selective Task-Aware Mechanism for Text Privacy [5.453215632053115]
  STAMPはタスク対応のテキスト民営化のための新しいフレームワークで、プライバシーとユーティリティのトレードオフを改善している。 単位球面への埋め込み方向のみを摂動する極性機構を導入し,その大きさを保存した。 SQuAD、Yelp、AG Newsのデータセットに対する実験的評価は、STAMPが正常化された極性メカニズムと組み合わせることで、優れたプライバシユーティリティトレードオフが一貫して達成されることを示している。
  論文  参考訳（メタデータ） (2026-03-12T17:55:07Z)
• Differentially Private Model-X Knockoffs via Johnson-Lindenstrauss Transform [3.5297361401370044]
  本稿では,高次元制御変数選択のための新しい民営化フレームワークを提案する。 当社のフレームワークは,差分プライバシー制約下での厳格なFDR(False Discovery Rate)制御を可能にする。 この作業は、ノックオフベースのFDRコントロールとプライベートデータリリースという、2つの重要なパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-08-06T18:16:53Z)
• Differentially Private Federated Learning without Noise Addition: When is it Possible? [16.49898177547646]
  Federated Learning with Secure Aggregation (SA)は、マシンラーニングモデルをトレーニングするためのプライバシ保護フレームワークとして注目されている。 近年の研究では、複数のトレーニングラウンドで集約モデルを通じて情報漏洩をバウンドすることで、FLとSAとのプライバシー保証を拡張している。 FLとSAが最短ケースの差分プライバシーを保証できる条件について検討する。
  論文  参考訳（メタデータ） (2024-05-06T03:19:24Z)
• Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
  1ビット通信制約を伴う個別分布推定問題を考える。 1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。 これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
  論文  参考訳（メタデータ） (2023-10-17T05:21:19Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• 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)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)

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。