論文の概要: Ball Differential Privacy: How to Mitigate Data Reconstruction with Less Noise

• arxiv url: http://arxiv.org/abs/2607.04209v2
• Date: Mon, 13 Jul 2026 21:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 12:51:44.243282
• Title: Ball Differential Privacy: How to Mitigate Data Reconstruction with Less Noise
• Title（参考訳）: ボール微分プライバシー:少ないノイズでデータ再構成を緩和する方法
• Authors: Joseph Margaryan, Nirupam Gupta,
• Abstract要約: 差分プライバシー(DP)は原則化された防御法であるが、ノイズは最悪の不明瞭さに校正される。 単一レコード置換体に対するエプシロンデルタ不識別性を強制するBall-DPを提案する。
• 参考スコア（独自算出の注目度）: 5.3621295972342145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vector embeddings of raw records, while not human-readable, do not preserve record privacy: an adversary can reconstruct training records from a released model even when that model is a simple convex classifier. Differential privacy (DP) is the principled defense, but its noise is calibrated to worst-case indistinguishability, hiding arbitrary single-record substitutions, including those far outside the set of plausible alternatives relevant to a reconstruction adversary. The result is noise far larger than what reconstruction robustness requires, degrading accuracy without a corresponding security benefit. We propose Ball-DP: enforcing epsilon-delta indistinguishability over single-record substitutions restricted to a ball of radius r under a distance metric d in the embedding space. A deployment facing only local reconstruction threats can choose a small r, thereby reducing noise and recovering accuracy. The radius makes the scope of the privacy claim explicit against reconstruction attacks; standard DP is recovered when r covers the entire admissible record domain. We provide noise calibrations for regularized convex learning problems under Ball-DP, and derive corresponding reconstruction-robustness certificates, called Ball-ReRo, that upper-bound an attacker's reconstruction success. By deriving the optimal finite-prior MAP reconstruction attack, we empirically audit Ball-ReRo certificates on seven benchmark learning tasks. Our experiments show that calibrating noise to Ball-DP improves utility, considerably exceeding the dilution of reconstruction robustness in high-privacy regimes, i.e., when epsilon is small.
• Abstract（参考訳）: 敵は、そのモデルが単純な凸分類器である場合でも、リリースされたモデルからトレーニングレコードを再構築することができる。 ディファレンシャルプライバシ(DP)は原則的な防御法であるが、ノイズは最悪のケースの不明瞭さに校正され、任意の単一レコード置換を隠蔽する。 その結果、リコンストラクションの堅牢性よりもはるかに大きなノイズが発生し、対応するセキュリティ上のメリットを伴わずに精度を低下させる。 埋め込み空間における距離距離 d の下で、半径 r の球に制限された単一レコード置換に対して、エプシロン-デルタの識別不可能を強制する Ball-DP を提案する。 ローカルリコンストラクション脅威のみに直面したデプロイメントは、小さなrを選択することができ、ノイズを低減し、精度を回復することができる。 この半径は、リコンストラクション攻撃に対するプライバシー要求の範囲を明確にし、rが許容可能なレコード領域全体をカバーすると、標準DPが回復する。 本研究では,Ball-DPの下での正規化凸学習問題に対するノイズキャリブレーションと,攻撃者の再建成功を上位に収めるBall-ReRoと呼ばれる再構成損益証明の導出について述べる。 最適有限優先MAP再構成攻撃を導出することにより,7つのベンチマーク学習タスクにおいて,Ball-ReRo証明書を実証的に評価する。 実験により,高民権体制におけるリコンストラクションロバスト性,すなわちエプシロンが小さい場合のリコンストラクションロバストネスの希釈を著しく超え,バル-DPの校正による有効性の向上が示された。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• No More Guessing: a Verifiable Gradient Inversion Attack in Federated Learning [9.687363481559423]
  グラディエント・インバージョン・アタックは、連邦学習におけるクライアントのプライバシーを脅かす。 本稿では,再建標本の正当性の明示的な証明を提供する,検証可能な勾配反転攻撃(VGIA)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T14:28:19Z)
• ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery [73.8181449261685]
  Federated Learning(FL)は、モデルの更新を生データではなく共有することで、ユーザのプライバシ保護を目的としたコラボレーションモデルトレーニングを可能にする。 最近の研究によると、これらの共有更新は、勾配反転攻撃(GIA)を通じて、不注意にセンシティブなトレーニングデータを漏洩する可能性がある。
  論文  参考訳（メタデータ） (2026-03-18T11:40:44Z)
• Sequential Subspace Noise Injection Prevents Accuracy Collapse in Certified Unlearning [28.628342735283752]
  差分プライバシーに基づく認定されていない未学習は、強い保証を提供するが、ほとんど実践的ではない。 本稿では,パラメータ空間のサブスペース間でノイズ予算を分散する逐次ノイズスケジューリングを提案する。 ノイズの多い微調整の分析をサブスペース設定に拡張し、同じ$(varepsilon,)$プライバシー予算が維持されていることを証明します。
  論文  参考訳（メタデータ） (2026-01-08T17:23:13Z)
• Privacy-Aware Decoding: Mitigating Privacy Leakage of Large Language Models in Retrieval-Augmented Generation [26.573578326262307]
  プライバシ・アウェア・デコーディング(英: Privacy-Aware Decoding、PAD)は、ガウス雑音を発生時にトークンロジットに適応的に注入する軽量な推論時防御法である。 PADは信頼性ベースのスクリーニングを統合して、リスクの高いトークンを選択的に保護し、不要なノイズを最小限に抑える効率的な感度推定と、プライバシと生成品質のバランスをとるためのコンテキスト対応ノイズ校正を行う。 我々の研究は、機密ドメインにおける普遍的でスケーラブルなプライバシソリューションを実現するために、デコード戦略を通じて、RAGのプライバシリスクを軽減するための重要な一歩を踏み出しています。
  論文  参考訳（メタデータ） (2025-08-05T05:22:13Z)
• Topology-Based Reconstruction Prevention for Decentralised Learning [16.09412208373314]
  プライバシ保存の要約を数回行った結果,受動的に誠実だが正確な敵が,他のユーザのプライベートデータを推測できることが判明した。 本稿では,復興攻撃に対する最初のトポロジに基づく分散型防衛法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:55:40Z)
• Towards the Flatter Landscape and Better Generalization in Federated Learning under Client-level Differential Privacy [67.33715954653098]
  本稿では,DPの負の影響を軽減するために勾配摂動を利用するDP-FedSAMという新しいDPFLアルゴリズムを提案する。 具体的には、DP-FedSAM は Sharpness Aware of Minimization (SAM) を統合し、安定性と重みのある局所平坦度モデルを生成する。 より優れた性能を保ちながら、さらにマグニチュードランダムノイズを低減するために、ローカル更新スペーシフィケーション手法を用いてDP-FedSAM-$top_k$を提案する。
  論文  参考訳（メタデータ） (2023-05-01T15:19:09Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)

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。