論文の概要: Causal-Privacy Audit Workflow for Synthetic and Distilled Data in Dropout Support

• arxiv url: http://arxiv.org/abs/2606.15940v1
• Date: Sun, 14 Jun 2026 17:44:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.952716
• Title: Causal-Privacy Audit Workflow for Synthetic and Distilled Data in Dropout Support
• Title（参考訳）: ドロップアウト支援における合成・蒸留データに対する因果生産性監査ワークフロー
• Abstract要約: 本研究では, 学生データ評価のための意思決定対応型因果監査ワークフローであるCaP-Evalを紹介する。 これは、予測ユーティリティ、治療効果の忠実さ、代替推定器、局所訓練記録近接性に関する、オリジナルの、蒸留された、逆合成、統計合成、および DPGNet のプライバシ指向のデータと比較する。
• 参考スコア（独自算出の注目度）: 16.74684135093015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic and distilled student data are increasingly used to enable privacy-conscious learning analytics, yet their suitability for decision-facing institutional support remains uncertain. In dropout support, generated data must preserve not only predictive utility or distributional resemblance, but also the financial-status evidence used to guide advising, payment-plan assistance, and scholarship-related decisions. Method: This study introduces CaP-Eval, a decision-facing causal-privacy audit workflow for evaluating generated student data under a fixed estimand, timing-aware adjustment design, estimator set, and empirical privacy-governance screen. The workflow compares original, distilled, adversarial synthetic, statistical synthetic, and DPGNet privacy-oriented generated data on predictive utility, treatment-effect fidelity, robustness to alternative estimators, and local training-record proximity. Results: DPGNet and distilled data preserved the original financial-status treatment-effect structure more reliably than the adversarial and Gaussian Copula baselines. DPGNet preserved full direction and rank agreement across epsilon levels; epsilon = 10 produced the smallest non-original IPW and DML deviations, while epsilon = 1 and epsilon = 5 amplified several financial-status contrasts. Distilled data remained highly faithful but retained the strongest local training-record proximity signal. TabularGNet preserved qualitative directions with moderate attenuation, and Gaussian Copula compressed effect magnitudes. Conclusions: Predictive utility, privacy orientation, empirical disclosure signals, and causal fidelity diverged; generated student data require joint audits of direction, magnitude, overlap, and release-governance risk before decision use.
• Abstract（参考訳）: 合成および蒸留された学生データは、プライバシーに配慮した学習分析を可能にするためにますます利用されているが、決定に直面する制度的支援には適していない。 ドロップアウト支援においては、生成されたデータは、予測実用性や分配的類似性だけでなく、助言、支払い計画支援、奨学金に関する決定を導くための財務統計証拠も保持しなければならない。 方法:本研究では,定型評価,タイミング対応調整設計,推定器セット,経験的プライバシ支配画面の下で生成した学生データを評価するための意思決定対応型因果監査ワークフローであるCaP-Evalを紹介する。 このワークフローは、予測ユーティリティ、治療効果の忠実性、代替推定器に対する堅牢性、および局所訓練記録近接性に関する、オリジナルの、蒸留された、逆合成、統計合成、および DPGNet のプライバシ指向のデータと比較する。 結果: DPGNetと蒸留データにより, 逆境およびガウシアン・コプラーのベースラインよりも, 元の財政統計処理効果構造を確実に保存した。 DPGNetはエプシロンレベルの完全な方向とランクの合意を維持し、エプシロン=10は最小の非オリジナルIPWとDMLのずれを発生させ、エプシロン=1とエプシロン=5はいくつかの財政統計のコントラストを増幅した。 蒸留データは非常に忠実なままだったが、最強のローカルトレーニング記録近接信号を保持していた。 TabularGNetは、適度な減衰を伴う定性的方向を保存し、ガウスコピュラは効果のマグニチュードを圧縮した。 結論: 予測ユーティリティ,プライバシ指向,実証的開示信号,因果的忠実度が分散している。

関連論文リスト

• Stable and Privacy-Preserving Synthetic Educational Data with Empirical Marginals: A Copula-Based Approach [1.5449641546929325]
  Non-Parametric Gaussian Copula (NPGC) は、深層学習とパラメトリック最適化を経験的統計的アンカーに置き換えるプラグアンドプレイ合成法である。 NPGCは、差分プライバシー(DP)を限界レベルと相関レベルの両方で統合し、異種変数タイプをサポートし、欠落したデータを明示的な状態として扱い、情報的不在パターンを維持する。
  論文  参考訳（メタデータ） (2026-04-05T17:34:21Z)
• Privacy-Preserving Federated Fraud Detection in Payment Transactions with NVIDIA FLARE [8.722681894212917]
  本稿では、NVIDIA FLAREフレームワークを用いて、支払いトランザクションに対するフェデレートされた異常検出を評価する。 我々は、異種金融機関の現実的な連盟をシミュレートし、それぞれが異なる詐欺のタイプを観察する。 フェデレーション平均化(FedAvg)を用いてトレーニングしたディープニューラルネットワークを用いて,フェデレーションモデルの平均F1スコアが0.903であることを示す。
  論文  参考訳（メタデータ） (2026-03-13T21:50:53Z)
• Challenges in Enabling Private Data Valuation [17.450381366291754]
  データアセスメント手法は、個々のトレーニング例がモデルの振る舞いにどのように貢献するかを定量化する。 評価スコアは、個人のデータがトレーニングに含まれていたか、異常な影響があったか、あるいはプロプライエタリなデータセットにどのような機密パターンが存在するかを明らかにすることができる。 プライバシーは基本的に、差分プライバシー(DP)の下でのバリュエーションユーティリティーと緊張関係にある
  論文  参考訳（メタデータ） (2026-02-27T22:21:14Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Latent Noise Injection for Private and Statistically Aligned Synthetic Data Generation [7.240170769827935]
  データの合成は、スケーラブルでプライバシー保護の統計分析に欠かせないものとなっている。 マスク付き自己回帰流(MAF)を用いた潜時ノイズ注入法を提案する。 トレーニングされたモデルから直接サンプリングする代わりに、我々のメソッドは潜在空間の各データポイントを摂動させ、それをデータドメインにマップします。
  論文  参考訳（メタデータ） (2025-06-19T22:22:57Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• On the Privacy-Robustness-Utility Trilemma in Distributed Learning [7.778461949427662]
  本稿では,少数の対向マシンに対してロバスト性を保証するアルゴリズムによって得られた誤差を,まず厳密に解析する。 私たちの分析は、プライバシ、堅牢性、ユーティリティの基本的なトレードオフを示しています。
  論文  参考訳（メタデータ） (2023-02-09T17:24:18Z)
• No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
  データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。 プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
  論文  参考訳（メタデータ） (2022-09-29T17:50:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)
• Privacy-Preserving Adversarial Network (PPAN) for Continuous non-Gaussian Attributes [6.657723602564176]
  データ共有におけるプライバシの問題に対処するために、プライバシ保護敵ネットワーク(PPAN)が最近提案されている。 本研究では,プライバシ保存問題の下位値と上位値を使用する連続的な非ガウスデータに対するPPANモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-03-11T15:29:35Z)

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。