論文の概要: Continual Learning With Participation Privacy: An Auditable Buffering-Aggregation Recipe

• arxiv url: http://arxiv.org/abs/2607.07209v1
• Date: Wed, 08 Jul 2026 09:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.347056
• Title: Continual Learning With Participation Privacy: An Auditable Buffering-Aggregation Recipe
• Title（参考訳）: 参加型プライバシによる継続的な学習 - 聴取可能なバッファリング・アグリゲーションのレシピ
• Abstract要約: 一つの挿入/削除がすべての更新を切り替える、隣接した単一編集のユーザストリームについて検討する。 ランダム化されたバッファリングラッパーはサイズ$[U,2U]$のビンを出力し、シングル編集ストリームをハンミングスタイルの更新ストリームに還元する。 適応的でないハミング近傍のDP証明が適応的な入力に対して連続的なプリミティブリフトを行うときの証明定理を証明した。
• 参考スコア（独自算出の注目度）: 22.282174850598953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern federated and streaming learning systems often release intermediate models, so privacy must hold for the full trajectory under adaptive interaction. Motivated by participation privacy, we study single-edit neighboring user streams, where one insertion/deletion shifts all subsequent updates and defeats standard Hamming-neighbor continual-release analyses. We give an auditable modular recipe. A randomized buffering wrapper emits bins of size $[U,2U]$, reducing single-edit streams to a Hamming-style per-bin update stream with explicit backlog/delay guarantees, where $U$ is calibrated by the privacy parameters $(\varepsilon,δ)$. We then prove a certification theorem identifying when a non-adaptive Hamming-neighbor DP proof for a continual primitive lifts to adaptive inputs: the primitive must use fresh per-round randomness and have a stable one-round privacy profile under common adaptive context. Together, these ingredients yield trajectory-level $(\varepsilon,δ)$-DP for single-edit streams using standard primitives (e.g., tree prefix sums), with an explicit privacy--latency link via $U$.
• Abstract（参考訳）: 現代のフェデレーションおよびストリーミング学習システムは、しばしば中間モデルをリリースするので、プライバシーは適応的な相互作用の下で完全な軌道を保たなければならない。 プライバシへの参加を動機として,1つの挿入/削除がその後の更新をすべて変更し,標準的なハンミング隣の連続リリース分析を破る,単一編集のユーザストリームについて検討する。 監査可能なモジュラーレシピを提供します。 ランダム化されたバッファリングラッパーは、サイズ$[U,2U]$のビンを出力し、明示的なバックログ/遅延保証付きハンミングスタイルの更新ストリームに単一編集ストリームを還元する。 次に、適応的でないハミング近傍のDP証明が適応的入力に有効であるかどうかを証明した証明定理を証明し、プリミティブは、新しいラウンドごとのランダム性を使用し、共通の適応的コンテキスト下で安定なワンラウンドプライバシープロファイルを持つ必要がある。 これらの成分は、標準プリミティブ(例:ツリープレフィックスの和)を使用してシングル編集ストリームに対してトラジェクティブレベルの$(\varepsilon,δ)$-DPを生成し、U$を介して明示的なプライバシ-レイテンシリンクを提供する。

関連論文リスト

• Shuffling is Not Enough: Breaking Permutation-Based Model Confidentiality in Hybrid FHE Inference [5.67775962599719]
  ハイブリッド完全同型暗号(FHE)推論は、プライベート推論の実用性を向上させる。 最近のスキームは、ノイズの多い出力順応応答を返却することでモデルの機密性を保護しようとする。 この保護はハイブリッドFHEシステムで要求される正当性制御において失敗することを示す。
  論文  参考訳（メタデータ） (2026-09-11T14:37:41Z)
• Edit-Neighboring Data Streams and Privacy under Continual Observation [12.49920379845039]
  連続観測(CO)下での差分プライバシーは、センシティブな入力データストリームを使用して生成された出力がオンライン設定で発行されたときに発生するプライバシーの損失を定量化する。 我々は、個人の参加がストリーム全体をタイムステップでシフトする、以前の作業と比べて、より厳密なプライバシの概念を考えます。 我々は、任意の入力ストリームとスパースストリームの両方に対して、より悪い定数係数で、プライバシという標準概念と同じ加算誤差を回復できることを示します。
  論文  参考訳（メタデータ） (2026-07-22T20:54:44Z)
• Locally Private Online Quantile Regression: Estimation and Inference [6.828516229529806]
  本研究では,1レポートのユーザレベル$eps$-locally differentially private Protocolの下でのオンライン量子レグレッションの推定と推定について検討する。 固定有限チャネル設計では、局所プライバシー、デコーダの不偏性、一貫性、推論正規性、およびヘッセン自由自己正規化スカラーを確立する。
  論文  参考訳（メタデータ） (2026-07-06T16:52:54Z)
• Let's Ask Gauss: Improved One-Run Privacy Auditing [6.481993597228151]
  差分プライベート(DP)機械学習における経験的プライバシ監査について検討する。 DP監査フレームワークを開発し、単一のトレーニング実行からプライバシーの低いバウンダリを厳格化する。
  論文  参考訳（メタデータ） (2026-06-10T22:44:47Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Smoothed Normalization for Efficient Distributed Private Optimization [54.197255548244705]
  フェデレートされた学習は、参加者のプライバシを備えた機械学習モデルを可能にする。 トレーニングやフィードバックのない問題に対して、差分にプライベートな分散手法は存在しない。 証明可能な収束保証付き分散アルゴリズム$alpha$-$sf NormEC$を導入する。
  論文  参考訳（メタデータ） (2025-02-19T07:10:32Z)
• Scalable DP-SGD: Shuffling vs. Poisson Subsampling [61.19794019914523]
  バッチサンプリングをシャッフルしたマルチエポック適応線形クエリ(ABLQ)機構のプライバシ保証に対する新たな下位境界を提供する。 ポアソンのサブサンプリングと比較すると大きな差がみられ, 以前の分析は1つのエポックに限られていた。 本稿では,大規模な並列計算を用いて,Poissonサブサンプリングを大規模に実装する実践的手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T19:06:16Z)
• Differentially Private Statistical Inference through $\beta$-Divergence One Posterior Sampling [2.8544822698499255]
  本稿では,モデルとデータ生成プロセス間の$beta$-divergenceの最小化を目標とした,一般化後部からの後部サンプリング手法を提案する。 これにより、基礎となるモデルの変更を必要とせずに、一般的に適用可能なプライベートな推定が可能になる。 我々は、$beta$D-Bayesが同一のプライバシー保証に対してより正確な推測を行うことを示す。
  論文  参考訳（メタデータ） (2023-07-11T12:00:15Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• 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)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。