論文の概要: Differentially Private Datastore Generation for Retrieval-Augmented Inference
- arxiv url: http://arxiv.org/abs/2606.01413v1
- Date: Sun, 31 May 2026 19:18:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.6903
- Title: Differentially Private Datastore Generation for Retrieval-Augmented Inference
- Title（参考訳）: 検索拡張推論のための微分プライベートデータストア生成
- Authors: Abdelrahman Abouelenein, Marwan Torki,
- Abstract要約: 差別的プライバシ(DP)は、敵対的分析の下でも個人による貢献が識別不能であることを保証する正式な保証である。
差分プライベートなデータストアの作成とリリースを可能にするために,ハッシュベースの確率生成フレームワークを導入する。
我々の方法は、セキュアなキー、バリューデータストアの作成とリリースを必要とするパイプラインに適用できる。
- 参考スコア（独自算出の注目度）: 3.781421673607643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is crucial for modern on-device AI systems that rely on retrieval-augmented inference to release and share datastores without compromising individual privacy. This can be achieved using Differential Privacy (DP), which provides a formal guarantee that ensures individual contributions remain indistinguishable, even under adversarial analysis. In this paper, we introduce a hashing-based probability generation framework designed to enable the creation and release of differentially private datastores. Our approach employs locality-sensitive hashing (LSH) to efficiently partition high-dimensional data into buckets. We then add calibrated DP noise to the accumulated vote for each bucket, generating a probability distribution across classes. Our method is broadly applicable to any pipeline requiring secure key,value datastore creation and release. We conducted experiments on seven datasets with varying sample sizes and class counts, ranging from 2 to 14. At epsilon=5, our released DP datastore achieves strong privacy protection with only an average 2.6% drop in accuracy. Finally, we benchmark DP datastore resilience to membership inference attacks, reducing attack accuracy to 53.60%.
- Abstract（参考訳）: 個人のプライバシを損なうことなく、データストアを公開、共有するために、検索強化された推論に依存する、最新のオンデバイスAIシステムにとって、これは極めて重要です。
これは差分プライバシー(DP)を使用して達成できるが、これは公式な保証を提供することで、敵対的分析の下でも個々の貢献が区別不能であることを保証する。
本稿では,異なるプライベートデータストアの作成とリリースを可能にするハッシュベースの確率生成フレームワークを提案する。
提案手法では, 局所性に敏感なハッシュ(LSH)を用いて高次元データをバケットに効率的に分割する。
次に、各バケットの累積投票に校正DPノイズを加え、クラス間で確率分布を生成する。
我々の方法は、セキュアなキー、バリューデータストアの作成とリリースを必要とするパイプラインに適用できる。
サンプルサイズとクラス数が異なる7つのデータセットについて,2～14の範囲で実験を行った。
epsilon=5で、リリースしたDPデータストアは、平均2.6%の精度で、強力なプライバシ保護を実現しています。
最後に、DPデータストアのレジリエンスをメンバシップ推論攻撃にベンチマークし、攻撃精度を53.60%に削減する。
関連論文リスト
- Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。
データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。
サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。
本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
論文 参考訳（メタデータ） (2025-07-30T03:20:15Z) - Machine Learning with Privacy for Protected Attributes [56.44253915927481]
差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。
私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。
各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2025-06-24T17:53:28Z) - Learning from End User Data with Shuffled Differential Privacy over Kernel Densities [10.797515094684318]
エンドユーザに分散したプライベートデータから収集と学習を行う環境について検討する。
差分プライバシーのシャッフルモデルでは、エンドユーザーは共有する前に部分的にデータをローカルに保護する。
我々の主な技術的成果は、分散データセットのカーネル密度関数をプライベートに推定するシャッフルDPプロトコルである。
論文 参考訳（メタデータ） (2025-02-19T20:27:01Z) - Differentially Private Random Feature Model [47.35176457481132]
プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。
本手法は,プライバシを保護し,一般化誤差を導出する。
論文 参考訳（メタデータ） (2024-12-06T05:31:08Z) - Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
本稿では,PseudoProbability Unlearning (PPU)を提案する。
提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
論文 参考訳（メタデータ） (2024-11-04T21:27:06Z) - Enhanced Privacy Bound for Shuffle Model with Personalized Privacy [32.08637708405314]
Differential Privacy(DP)は、ローカルユーザと中央データキュレーターの間の中間信頼サーバを導入する、強化されたプライバシプロトコルである。
これは、局所的にランダム化されたデータを匿名化しシャッフルすることで、中央のDP保証を著しく増幅する。
この研究は、各ユーザーごとにパーソナライズされたローカルプライバシを必要とする、より実践的な設定のために、中央のプライバシ境界を導出することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-25T16:11:56Z) - Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。
DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。
本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
論文 参考訳（メタデータ） (2024-04-24T06:51:16Z) - 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) - TOHAN: A One-step Approach towards Few-shot Hypothesis Adaptation [73.75784418508033]
少数ショットドメイン適応(FDA)では、ターゲットドメインの分類器は、ソースドメイン(SD)内のラベル付きデータとターゲットドメイン(TD)内のラベル付きデータとで訓練される。
データは通常、現在の時代の個人情報(例えば、携帯電話に分散されたデータ)を含んでいる。
本稿では,その問題を解決するために,目標指向仮説適応ネットワーク(TOHAN)を提案する。
論文 参考訳（メタデータ） (2021-06-11T11:46:20Z) - Privacy Amplification via Random Check-Ins [38.72327434015975]
Differentially Private Gradient Descent (DP-SGD) は、多くのアプリケーションにおいて、機密データを学習するための基本的な構成要素となっている。
本稿では,DP-SGD のような反復的手法を,多くのデバイス(クライアント)に分散したフェデレーションラーニング(FL)の設定において実施することに焦点を当てる。
当社の主なコントリビューションは,各クライアントがローカルかつ独立に行うランダムな参加決定にのみ依存する,Emphrandom Check-in分散プロトコルです。
論文 参考訳（メタデータ） (2020-07-13T18:14:09Z)
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。