論文の概要: DP4SQL: Differentially Private SQL with Flexible Privacy Policies
- arxiv url: http://arxiv.org/abs/2606.07883v2
- Date: Fri, 12 Jun 2026 15:51:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 13:53:03.481649
- Title: DP4SQL: Differentially Private SQL with Flexible Privacy Policies
- Title（参考訳）: DP4SQL: フレキシブルプライバシポリシを備えた異なるプライベートSQL
- Authors: Andrew Cascio, KinChin Tong, Daniel Kifer, Zeyu Ding, Danfeng Zhang,
- Abstract要約: DP4により、データキュレーターは、リレーショナルデータベースの可否要件をより適切にカスタマイズできる。
データを保護するか、クエリの回答に過剰なノイズを注入する"ワンサイズフィットシステム"の欠点を回避する。
- 参考スコア（独自算出の注目度）: 8.732834706446026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The plausible deniability model of differential privacy for single-table datasets is well-understood. However, applying differential privacy to relational databases is much trickier: each application needs flexibility in specifying the pieces of information about an entity, spread across multiple relations, that require plausible deniability guarantees. Existing differentially private SQL systems only support rigid privacy policies. Even seemingly small changes, such as specifying that some tables need to protect the existence of records while others only need to protect the record contents, require significant manual effort in updating their privacy accountants and proving their correctness. One example of a challenge is the presence of partially public data. Public columns in a table (e.g., faculty names in a university dataset and partial course enrollment information) can cause some queries to require more noise (compared to fully private data), while others require less noise. This kind of reasoning is not supported in existing systems. Another example is when different parts of records (e.g., demographics, financial data) require different levels of privacy protection. Again, existing differentially private SQL systems need to rewrite their rules for calculating query stability in order to support such a feature. This paper presents DP4SQL, a differentially private SQL system that allows data curators to better customize the plausible deniability requirements for their relational databases. This avoids the drawbacks of the "one-size-fits-all" systems that would either underprotect the data or inject too much noise into query answers.
- Abstract（参考訳）: 単一テーブルデータセットに対する差分プライバシーの可否判断モデルはよく理解されている。
しかし、リレーショナルデータベースに差分プライバシーを適用するのは、はるかに難しい。それぞれのアプリケーションは、複数の関係にまたがるエンティティに関する情報の断片を特定する柔軟性を必要とします。
既存の微分プライベートSQLシステムは、厳格なプライバシーポリシーしかサポートしていない。
一部のテーブルはレコードの存在を守らなければならないが、他のテーブルはレコードの内容だけを守らなければならない。
課題の1つの例は、部分的に公開データの存在である。
テーブル内のパブリックカラム(例えば、大学のデータセットの学部名や、部分的なコースの入学情報)は、よりノイズを必要とするクエリ(完全なプライベートデータと比較)を引き起こすが、他のクエリはノイズを少なくする。
このような推論は既存のシステムではサポートされていません。
もう一つの例は、レコードの異なる部分(人口統計、財務データなど)が異なるレベルのプライバシー保護を必要とする場合である。
また、既存の微分プライベートSQLシステムは、そのような機能をサポートするために、クエリ安定性を計算するためのルールを書き換える必要がある。
本稿では、データキュレーターが関係データベースの可視性要件をより適切にカスタマイズできる、微分プライベートSQLシステムであるDP4SQLを提案する。
これにより、データを保護するか、クエリの回答に過剰なノイズを注入する"ワンサイズフィットオール"システムの欠点を回避することができる。
関連論文リスト
- DPSQL+: A Differentially Private SQL Library with a Minimum Frequency Rule [4.794822439017277]
差別化プライバシ(DP)は厳格なプライバシー保証を提供するが、実際には、Emphminimumpreserving Ruleのようなガバナンス要件を満たしていない。
我々は、ユーザレベルの$(varepsilon,)$-DPと最小周波数ルールDP+を同時に適用する、プライバシ-AccountsqlライブラリであるtextbfDP+を提示する。
論文 参考訳（メタデータ） (2026-02-26T07:21:00Z) - Parallel Composition for Statistical Privacy [0.0]
データベースのサブサンプリングとランダムなパーティショニングに基づいて、クエリ間の依存関係をバインドするプライバシーメカニズムが提案されている。
これらの境界は、分散のエントロピーを考慮に入れた現実的なアプリケーションシナリオにおいて、プライバシと精度保証の改善をもたらすことを示している。
論文 参考訳（メタデータ） (2026-02-10T10:13:44Z) - Controlling What You Share: Assessing Language Model Adherence to Privacy Preferences [73.5779077857545]
ローカルモデルがこれらの命令を使ってクエリを書き換えるフレームワークを構築します。
軽量なローカルLCMを用いた実験では、微調整後、はるかに大きなゼロショットモデルの性能を著しく上回った。
同時に、このシステムは、ユーザー定義プライバシの好みをよりよく理解したモデルの必要性を強調し、ユーザー指示に完全に準拠するという課題に直面している。
論文 参考訳（メタデータ） (2025-07-07T18:22:55Z) - 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) - Statistical Privacy [0.0]
本稿では,データベース生成時の分布を敵が把握している状況について考察する。
分布のエントロピーが、プロパティクエリと呼ばれる大規模なクエリのプライバシを如何に保証しているかを詳細に分析する。
論文 参考訳（メタデータ） (2025-01-22T14:13:44Z) - Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。
ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:54:32Z) - Qrlew: Rewriting SQL into Differentially Private SQL [2.5475486924467075]
Qrlewはオープンソースのライブラリで、Relationsにクエリを解析できる。
リッチなデータ型、値範囲、および行のオーナシップを追跡します。
論文 参考訳（メタデータ） (2024-01-11T22:01:35Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳（メタデータ） (2022-09-08T22:43:50Z)
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。