論文の概要: Optimal quantum locally differentially private mechanisms in the high-privacy regime
- arxiv url: http://arxiv.org/abs/2605.27278v1
- Date: Tue, 26 May 2026 16:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.468009
- Title: Optimal quantum locally differentially private mechanisms in the high-privacy regime
- Title（参考訳）: 高民権体制における最適量子局所微分プライベート機構
- Authors: Yuuya Yoshida,
- Abstract要約: プライバシー保護には、ローカルディファレンシャルプライバシ(LDP)とその量子拡張、量子ローカルディファレンシャルプライバシ(QLDP)を採用しています。
本研究では,Holevo情報(古典的な場合の相互情報に還元する)や,対称および非対称仮説検定における誤差指数などの実用関数について検討する。
保護されたプライベートデータが$n$-aryで$nge3$である場合、上記のユーティリティ関数に対する量子上の利点(より正確には$Q/Cge3/2$)を明らかにします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We optimize the trade-off between privacy and utility in the high-privacy regime. We adopt local differential privacy (LDP) and its quantum extension, quantum local differential privacy (QLDP), for privacy protection, and investigate utility functions including the Holevo information (which reduces to the mutual information in the classical case) and the error exponents in symmetric and asymmetric hypothesis testing. These utility functions have classical and quantum optimal values, which are denoted by $C$ and $Q$, respectively, in this abstract for simplicity. In this paper, we provide optimal LDP and QLDP mechanisms achieving the classical and quantum optimal values in the high-privacy regime, and prove that the asymptotic ratio $Q/C$ in this regime takes the same value regardless of the utility function. Our results reveal quantum advantages (more precisely, $Q/C\ge3/2$) for the above utility functions when the protected private data are $n$-ary with $n\ge3$.
- Abstract（参考訳）: プライバシとユーティリティのトレードオフを最適化する。
我々は、プライバシー保護のためにローカルディファレンシャルプライバシ(LDP)とその量子拡張、量子ローカルディファレンシャルプライバシ(QLDP)を採用し、Holevo情報(古典的ケースにおける相互情報に還元される)や対称的および非対称的仮説テストにおけるエラー指数を含むユーティリティ機能を調査する。
これらのユーティリティ関数は古典的および量子的最適値を持ち、それぞれ$C$と$Q$で表される。
本稿では,高民権体制における古典的および量子的最適値を達成するための最適 LDP と QLDP 機構を提案し,この制度における漸近比$Q/C$ が実用機能によらず同じ値を取ることを証明した。
我々の結果は、保護されたプライベートデータが$n$-aryで$n\ge3$である場合、上記のユーティリティ関数に対する量子上の利点(より正確には$Q/C\ge3/2$)を明らかにする。
関連論文リスト
- Private Hyperparameter Tuning with Ex-Post Guarantee [98.43027866582979]
「実用優先」のプライバシメカニズムは、望ましいユーティリティレベルを優先し、それに対応するプライバシコストを決定する。
Wu et al. [2019] と Liu と Talwar [2019] の作業を拡張して,プライベートな見積りのシーケンスをサポートします。
最適なプライバシ予算の選択を含む,これらの推定器のハイパーパラメータチューニングは,追加のプライバシコストなしで行うことができることを示す。
論文 参考訳（メタデータ） (2025-08-21T02:42:23Z) - Differential Privacy of Quantum and Quantum-Inspired-Classical Recommendation Algorithms [2.36119616330904]
量子レコメンデーションアルゴリズムと量子インスパイアされた古典的レコメンデーションアルゴリズムのDP特性を解析する。
量子レコメンデーションアルゴリズムは、独自のプライバシキュレーション機構であり、外部ノイズを必要としないことが分かりました。
比較すると、量子アルゴリズムは古典的アルゴリズムよりもプライバシー保護の可能性が高いことが示される。
論文 参考訳（メタデータ） (2025-02-07T08:45:00Z) - Quantum Advantage in Locally Differentially Private Hypothesis Testing [15.33076560724092]
特定のケースにおける最適なプライバシーユーティリティトレードオフ(PUT)に関して、量子的優位性を示す。
本稿では、これらの上界と非対称なテストの両方において、より優れたPUTを実現する特定の量子プライバシー機構を提案する。
論文 参考訳（メタデータ） (2025-01-17T12:23:43Z) - Optimized Tradeoffs for Private Prediction with Majority Ensembling [59.99331405291337]
本稿では,データ依存型ランダム化応答行列(DaRRM)アルゴリズムを提案する。
DaRRMはデータ依存ノイズ関数$gamma$でパラメータ化され、全てのプライベートアルゴリズムのクラスに対して効率的なユーティリティ最適化を可能にする。
本稿では,DARRMが共通ベースラインよりも2倍のプライバシゲインを,固定ユーティリティで確実に享受していることを示す。
論文 参考訳（メタデータ） (2024-11-27T00:48:48Z) - Optimal Mechanisms for Quantum Local Differential Privacy [2.773175214444248]
ローカルディファレンシャルプライバシ(QLDP)は、すべての状態が隣接する状態と見なされる古典的なシナリオと同様に、量子データのプライバシを保存するために提案されている。
本稿では、QLDPフレームワークの実用性を高めるために、プライバシとユーティリティのバランスをとるための最適なQLDPメカニズムについて検討する。
論文 参考訳（メタデータ） (2024-07-18T13:46:16Z) - 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) - Quantum Differentially Private Sparse Regression Learning [132.1981461292324]
我々は、スパース回帰問題を解くために、効率的な量子微分プライベート(QDP)ラッソ推定器を考案する。
最後に、QDP Lasso はプライバシー保証付きで $tildeO(N-2/3)$ に近い最適ユーティリティを実現していることを示す。
論文 参考訳（メタデータ） (2020-07-23T10:50:42Z)
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。