論文の概要: Multi-tier Differential Private Query Release

• arxiv url: http://arxiv.org/abs/2606.15543v3
• Date: Sat, 20 Jun 2026 05:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.058758
• Title: Multi-tier Differential Private Query Release
• Title（参考訳）: 多層差分型プライベートクエリリリース
• Authors: Shaowei Wang, Jinn Li, Yun Peng, Puning Zhao, Wenqi Ren, Changyu Dong, Jin Li, Jian Weng,
• Abstract要約: 複数のアナリストが同じクエリを発行し、異なるプライバシ予算の下で生成された回答を受け取る。 このような多層DPクエリに対する既存のアプローチは、過剰な累積プライバシー損失を発生させるか、あるいは準最適ユーティリティに悩まされる。 本稿では,全てのクエリにおいて最大プライバシー予算で累積プライバシー損失を同時に拘束する多層DPクエリリリースのためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 57.049084914202275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answering statistical queries over sensitive data under differential privacy (DP) is a common task in many settings, including databases, mobile computing, and data markets. In these scenarios, multiple analysts may issue the same query, while receiving answers generated under different privacy budgets due to differences in trust levels or willingness to pay. Existing approaches for such multi-tier DP queries either incur excessive cumulative privacy loss or suffer from suboptimal utility. In this paper, we propose a framework for multi-tier DP query release that simultaneously bound the cumulative privacy loss by the maximum privacy budget among all queries and achieve optimal utility comparable to that of single-tier mechanisms. Our framework applies to different classes of DP mechanisms. For noise-adding mechanisms (e.g., count queries with the two-sided Geometric mechanism in the curator model), we develop a general solution based on the characteristic functions of noise distributions. For other mechanisms (e.g., count queries under the local DP model with the Subset mechanism), we design mechanism-specific primitives for budget transformation and introduce a template-based strategy that attains optimal utility across different privacy regimes. Experimental results demonstrate the effectiveness of our framework.
• Abstract（参考訳）: 差分プライバシ(DP)の下での機密データに対する統計的クエリの回答は、データベース、モバイルコンピューティング、データマーケットなど、多くの設定において一般的なタスクである。 これらのシナリオでは、複数のアナリストが同じクエリを発行する一方で、信頼レベルの違いや支払い意欲の違いにより、異なるプライバシ予算の下で生成された回答を受信する。 このような多層DPクエリに対する既存のアプローチは、過剰な累積プライバシー損失を発生させるか、あるいは準最適ユーティリティに悩まされる。 本稿では,全クエリ間の最大プライバシー予算による累積プライバシ損失を同時に拘束する多層DPクエリリリースのためのフレームワークを提案し,単一階層のメカニズムに匹敵する最適なユーティリティを実現する。 我々のフレームワークは、DPメカニズムの異なるクラスに適用されます。 雑音付加機構(例えば、キュレーターモデルにおける二辺幾何機構によるクエリを数える)については、ノイズ分布の特性関数に基づく一般的な解法を開発する。 その他のメカニズム(例えば、SubsetメカニズムでローカルDPモデルでクエリをカウントする)に対しては、予算変換のためのメカニズム固有のプリミティブを設計し、異なるプライバシ体制間で最適なユーティリティを実現するテンプレートベースの戦略を導入します。 実験により,本フレームワークの有効性が示された。

関連論文リスト

• DPrivBench: Benchmarking LLMs' Reasoning for Differential Privacy [50.73304874527716]
  差分プライバシー(DP)は、データプライバシーを保護する幅広いアプリケーションを持っているが、DPアルゴリズムの設計と検証には専門家レベルの推論が必要である。 DPrivBenchは、各インスタンスが、ある関数やアルゴリズムが指定されたDP保証を満たすかどうかを問うベンチマークである。 実験によると、最強のモデルは教科書の仕組みをうまく扱えるが、全てのモデルは高度なアルゴリズムに苦しむ。
  論文  参考訳（メタデータ） (2026-04-17T09:03:11Z)
• Meeting Utility Constraints in Differential Privacy: A Privacy-Boosting Approach [7.970280110429423]
  本稿では,ほとんどのノイズ付加型DP機構と互換性のあるプライバシブースティングフレームワークを提案する。 私たちのフレームワークは、ユーティリティ要件を満たすために、サポートの望ましいサブセットに出力が落ちる可能性を高める。 提案手法は,実用性制約下での標準DP機構よりも低いプライバシー損失を実現する。
  論文  参考訳（メタデータ） (2024-12-13T23:34:30Z)
• 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)
• Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
  サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。 本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。 サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
  論文  参考訳（メタデータ） (2024-03-07T19:36:05Z)
• Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
  差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。 既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。 本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
  論文  参考訳（メタデータ） (2023-11-04T04:43:47Z)
• Multi-Analyst Differential Privacy for Online Query Answering [9.958631213800432]
  オンライン問合せ応答の場合に応じて, 複数アナリストによる差分プライベートな問合せ応答に関する先行研究を拡張した。 オンラインケースにおける未知のクエリの順序付けは、応答可能なクエリの数に根本的な制限をもたらすことを実証する。 応答として,デシダラタを満足するが基本的制約を受ける2つのメカニズムと,既存のオンラインクエリ応答機構がデシダラタを満足できるように入力順序をランダム化する2つのメカニズムを開発する。
  論文  参考訳（メタデータ） (2022-12-19T22:07:07Z)
• Differential Privacy of Hierarchical Census Data: An Optimization Approach [53.29035917495491]
  国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。 最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。 本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
  論文  参考訳（メタデータ） (2020-06-28T18:19:55Z)

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。