Fugu-MT 論文翻訳(概要): Local Differential Privacy with Correlated Noise Achieves Central-DP Optimal Cost

論文の概要: Local Differential Privacy with Correlated Noise Achieves Central-DP Optimal Cost

arxiv url: http://arxiv.org/abs/2605.30476v1
Date: Thu, 28 May 2026 18:47:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.182939
Title: Local Differential Privacy with Correlated Noise Achieves Central-DP Optimal Cost
Title（参考訳）: 相関ノイズを伴う局所微分プライバシーが中央DP最適コストを達成
Authors: Madhura Pathegama, Srikanth Avasarala, Viveck R. Cadambe, Juba Ziani,
Abstract要約: 我々は,正直なサーバの存在下で,ユーザ保有価値$n$をプライベートに見積もる。ローカルな(純粋な)差分プライバシモデルを採用し、各ユーザがノイズ摂動値を送信する。
参考スコア（独自算出の注目度）: 6.714751340563297
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study privately estimating the sum of $n$ user-held values in the presence of an honest-but-curious server. This motivates requiring privacy not only at data release but also throughout server-side computation. We therefore adopt the local (pure) differential privacy model, in which each user transmits a noise-perturbed value. It is well known that independent local noise typically incurs a substantial utility loss compared to the centralized model, where noise is added only after aggregation. We show that this gap is not fundamental. By carefully designing correlations among the locally added noise variables, we construct $\varepsilon$-DP mechanisms whose estimation cost matches the optimal cost achievable in the centralized setting, up to an arbitrarily small error.
Abstract（参考訳）: 我々は,正直なサーバの存在下で,ユーザ保有価値$n$をプライベートに見積もる。これにより、データリリースだけでなく、サーバサイドの計算も必要になる。そこで我々は,各ユーザがノイズ摂動値を送信する局所的(純粋な)差分プライバシーモデルを採用する。独立した局所雑音は、集約後にのみノイズが付加される集中型モデルと比較して、一般的にかなりの効用損失をもたらすことが知られている。このギャップは基本ではありません。局所的に付加された雑音変数間の相関関係を慎重に設計することにより、推定コストが中央集権的な設定で達成可能な最適コストと任意に小さな誤差とを一致させる$\varepsilon$-DP機構を構築する。

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)
$(ε, δ)$-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)
General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文参考訳（メタデータ） (2023-01-31T18:47:42Z)
Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文参考訳（メタデータ） (2023-01-23T19:57:58Z)
Tight Differential Privacy Guarantees for the Shuffle Model with $k$-Randomized Response [6.260747047974035]
ほとんどの差分プライベート(DP)アルゴリズムは、サードパーティがデータセットやユーザがローカルにデータを摂動するローカルモデル上で作成したクエリにノイズを挿入することを前提としている。最近提案されたシャッフルモデルは、中央パラダイムと局所パラダイムの中間フレームワークである。合成データと実データの両方を用いて、シャッフルモデルのプライバシーユーティリティトレードオフと、民営化された中央データの比較実験を行う。
論文参考訳（メタデータ） (2022-05-18T10:44:28Z)
FedCorr: Multi-Stage Federated Learning for Label Noise Correction [80.9366438220228]
Federated Learning(FL)は、クライアントがグローバルモデルの共同トレーニングを可能にする、プライバシ保護の分散学習パラダイムである。 FLにおける異種ラベルノイズに対処する汎用多段階フレームワークであるtextttFedCorr$を提案する。 CIFAR-10/100でフェデレートされた合成ラベルノイズと実世界のノイズデータセットであるCloting1Mで実施された実験は、textttFedCorr$がラベルノイズに対して堅牢であることを実証した。
論文参考訳（メタデータ） (2022-04-10T12:51:18Z)
The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文参考訳（メタデータ） (2022-03-02T13:59:20Z)
Optimal and Differentially Private Data Acquisition: Central and Local Mechanisms [9.599356978682108]
プライバシに敏感なユーザからデータを収集するプラットフォームの問題を考え,その基盤となる関心パラメータを推定する。ユーザに対して、プライバシ保証を提供するための2つの一般的な差分プライバシ設定について検討する。このメカニズム設計問題は,ユーザのプライバシ感を真に報告するための推定器と支払器の最適選択として機能する。
論文参考訳（メタデータ） (2022-01-10T00:27:43Z)
Deconvoluting Kernel Density Estimation and Regression for Locally Differentially Private Data [14.095523601311374]
ローカルな差分プライバシーは、機密性の高い個々のデータポイントを収集または公開するためのプライバシー文学のゴールドスタンダードとなっている。しかし、局所的な差分データは、プライバシーを確保するために使われる付加ノイズのため、データの確率密度をゆがめることがある。本研究では,スムースなカーネルを用いた密度推定手法を開発し,プライバシ保護ノイズの影響を除去する。
論文参考訳（メタデータ） (2020-08-28T03:39:17Z)

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。