論文の概要: Scalable Differentially Private Data Compression via Diffusion and Stochastic Codes

• arxiv url: http://arxiv.org/abs/2607.03392v1
• Date: Fri, 03 Jul 2026 14:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.603744
• Title: Scalable Differentially Private Data Compression via Diffusion and Stochastic Codes
• Title（参考訳）: 拡散と確率コードによるスケーラブルな微分プライベートデータ圧縮
• Abstract要約: プライバシー保証付き高解像度データを圧縮可能な圧縮パイプラインであるDP-DiPPを開発した。 DP-DiPPは, 同等のプライバシー保証と実用性を維持しつつ, 10～30倍の圧縮を実現し, ベースラインを大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 45.384652657223036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ever-increasing collection of personal data has created mounting pressure to develop technologies that protect sensitive aspects of individual identity. Differential privacy (DP) provides a principled framework with strong formal guarantees and has already achieved practical success. However, releasing high-dimensional data, such as images, has remained elusive: releasing uncompressed privatized data requires significant storage. At the same time, no effective data compression scheme exists that can compress high-resolution data with privacy guarantees. We address this challenge with DP-DiPP, a compression pipeline that combines stochastic codes with diffusion models. DP-DiPP is highly flexible: the practitioner has direct control over the compression rate-privacy-utility tradeoff. As the theoretical backbone, we extend the Poisson private representation (PPR) to encode the outputs of privacy mechanisms. We then combine it with DiffC, a diffusion-based lossy data compression method, to obtain a differentially private image compressor. Our experiments on privatized image classification on CIFAR-10 demonstrate that DP-DiPP significantly outperforms the baseline, achieving a 10-30 times better compression while retaining comparable privacy guarantees and utility.
• Abstract（参考訳）: 個人データの収集が絶え間なく増加し、個人のアイデンティティの繊細な側面を保護する技術を開発するためのプレッシャーが増している。 差別化プライバシ(DP)は、強力な形式保証を備えた原則付きフレームワークを提供し、すでに実践的な成功を収めている。 しかし、画像などの高次元データのリリースは、いまだ解明されていない。 同時に、プライバシー保証付き高解像度データを圧縮できる効果的なデータ圧縮スキームは存在しない。 確率的符号と拡散モデルを組み合わせた圧縮パイプラインであるDP-DiPPでこの問題に対処する。 DP-DiPPは非常に柔軟で、その実践者は圧縮速度-プライバシ・ユーティリティーのトレードオフを直接制御する。 理論的バックボーンとして、プライバシメカニズムの出力をエンコードするために、Poisson private representation (PPR)を拡張します。 次に、拡散に基づく損失データ圧縮法であるDiffCと組み合わせて、微分プライベート画像圧縮機を得る。 CIFAR-10の民営化画像分類実験により,DP-DiPPの圧縮性能は10～30倍に向上し,プライバシー保証と実用性を維持した。

関連論文リスト

• DP-KFC: Data-Free Preconditioning for Privacy-Preserving Deep Learning [0.2873445316250935]
  本稿では,フィッシャー情報行列をアーキテクチャ感度に分解し,合成ノイズと入力相関により復元可能であることを示す。 KFACプレコンディショナーを構成するDP-KFCを提案する。 実証的に、DP-KFCは強力なプライバシー体制において、DP-SGDと適応ベースラインを多種多様なモダリティで一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-13T12:14:00Z)
• Arbitrary Ratio Feature Compression via Next Token Prediction [52.10426317889982]
  Arbitrary Ratio Feature Compression (ARFC)フレームワークは、任意の圧縮比を単一のモデルでサポートする。 ARCは、次の回帰予測によって圧縮を行う自動回帰モデルである。 MoSモジュールは複数の圧縮結果を利用して圧縮トークンを洗練する。 ERGCは、圧縮中の意味的および構造的関係を維持するために、トレーニングプロセスに統合される。
  論文  参考訳（メタデータ） (2026-02-12T02:38:57Z)
• Joint Lossless Compression and Steganography for Medical Images via Large Language Models [63.454510290574355]
  医用画像のための新しい非破壊圧縮・ステガノグラフィーフレームワークを提案する。 ビットプレーンスライシング(BPS)にインスパイアされて、医療画像にプライバシーメッセージを埋め込むことができる。
  論文  参考訳（メタデータ） (2025-08-03T14:45:51Z)
• Differentially Private Adaptation of Diffusion Models via Noisy Aggregated Embeddings [23.687702204151872]
  Textual Inversion (TI)は、画像や画像の集合に対する埋め込みベクトルを学習し、差分プライバシー制約の下で適応を可能にする。 DPAgg-TIはDP-SGDファインタニングを同一のプライバシー予算の下で実用性と堅牢性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2024-11-22T00:09:49Z)
• DP-TLDM: Differentially Private Tabular Latent Diffusion Model [13.153278585144355]
  合成データテーブルの高品質化とプライバシーリスクの低減を図るため,DPTLDM,differially Private Tabular Latent Diffusion Modelを提案する。 DPTLDMは,データ類似度の平均35%,下流タスクの実用性15%,データ識別性50%で,合成品質の向上を図っている。
  論文  参考訳（メタデータ） (2024-03-12T17:27:49Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Privacy-Aware Compression for Federated Data Analysis [31.970815289473965]
  フェデレーションデータ分析(Federated Data Analytics)は、サーバが低帯域のユーザデバイス群からノイズの多い応答をコンパイルし、集計統計を推定する分散データ分析フレームワークである。 このフレームワークの2つの大きな課題は、ユーザデータがしばしばセンシティブであり、ユーザデバイスがネットワーク帯域幅が低いため、圧縮である。 我々は、この問題を概観し、特定の通信予算で機能するプライバシーに配慮した圧縮メカニズムのファミリーを設計する。
  論文  参考訳（メタデータ） (2022-03-15T17:57:13Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)

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。