論文の概要: On Choosing the $μ$ Parameter in Gaussian Differential Privacy

• arxiv url: http://arxiv.org/abs/2606.09582v1
• Date: Mon, 08 Jun 2026 14:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.279607
• Title: On Choosing the $μ$ Parameter in Gaussian Differential Privacy
• Title（参考訳）: ガウス微分プライバシーにおける$μ$パラメータの選択について
• Authors: Bogdan Kulynych, Antti Honkela,
• Abstract要約: 我々は、純DP$varepsilon$からGDP$$への原則マッピングを、3つの指標から見て、強敵のメンバシップ推論攻撃の最悪の成功と一致させることで提供します。 有用なパラメータの範囲で$$値を集計し、保守的な汎用変換として$approx varepsilon/5$を推奨します。
• 参考スコア（独自算出の注目度）: 8.064986679846951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work argues for using Gaussian differential privacy (GDP) to report the privacy guarantees in privacy-preserving machine learning. We provide principled mappings from pure-DP $\varepsilon$ to GDP $μ$ by matching the worst-case success of a strong-adversary membership inference attack in terms of three metrics: multiplicative advantage at fixed FPR, precision at fixed recall, and the standard privacy profile. We tabulate $μ$ values across a useful range of parameters and recommend $μ\approx \varepsilon/5$ as a conservative general-purpose conversion.
• Abstract（参考訳）: 最近の研究は、ガウス微分プライバシー(GDP)を使用して、プライバシ保存機械学習におけるプライバシー保証を報告している。 我々は、Pure-DP $\varepsilon$からGDP $μ$までの原則的なマッピングを、3つの指標(固定FPRにおける乗算的優位性、固定リコール時の精度、標準プライバシプロファイル)の観点から、強敵メンバシップ推論攻撃の最悪の成功と一致させることにより提供する。 有用なパラメータの範囲で$μ$値を集計し、保守的な汎用変換として$μ\approx \varepsilon/5$を推奨する。

関連論文リスト

• Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning [27.52540933835594]
  機械学習(ML)アルゴリズムの差分プライバシーレベルを報告するための現在のプラクティスは、プライバシー保証の不完全で、潜在的に誤解を招く可能性がある。 我々は、非漸近的ガウス微分プライバシー(GDP)をMLにおけるDP保証を伝える主要な手段として使うことは、これらの潜在的な欠点を回避していると論じる。 本稿では,数値会計士を用いてGDPに非漸近的境界を与える方法を示し,GDPがDP-SGDおよび関連するアルゴリズムのプライバシープロファイル全体を,基準値によって定量化されているように,ほとんど誤差なくキャプチャできることを示す。
  論文  参考訳（メタデータ） (2025-03-13T23:06:30Z)
• 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)
• Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis Testing: A Lesson From Fano [83.5933307263932]
  本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。 基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
  論文  参考訳（メタデータ） (2022-10-24T23:50:12Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• Optimal Accounting of Differential Privacy via Characteristic Function [25.78065563380023]
  本稿では,プライバシ・プロフィール,プライバシ・プロファイル,$f$-DP,PLDフォーマリズムなどの最近の進歩を,ある最悪のケースのプライバシ・ロスランダム変数の特徴関数(phi$-function)を介して統一することを提案する。 我々のアプローチは、Renyi DPのような自然適応的な構成を可能にし、PDDのような厳密なプライバシ会計を提供し、プライバシープロファイルや$f$-DPに変換できることが示されています。
  論文  参考訳（メタデータ） (2021-06-16T06:13:23Z)
• Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling [49.43288037509783]
  ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。 私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
  論文  参考訳（メタデータ） (2020-12-23T17:07:26Z)

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。