論文の概要: Where to Intervene? Benchmarking Fairness-Aware Learning on Differentially Private Synthetic Tabular Data

• arxiv url: http://arxiv.org/abs/2607.07471v1
• Date: Wed, 08 Jul 2026 14:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.408473
• Title: Where to Intervene? Benchmarking Fairness-Aware Learning on Differentially Private Synthetic Tabular Data
• Title（参考訳）: 介入する場所は? 微分プライベートな合成単語データに基づくフェアネス認識学習のベンチマーク
• Abstract要約: 個人合成データに対するフェアネス介入の最初の体系的評価について述べる。 4つのパイプライン構成を比較する: (Baseline) オリジナルデータのトレーニング、 (DP-only) DP合成データのトレーニング、 (Fair-only) オリジナルデータにフェアネス機構を適用すること、 (DP+Fair) DP合成データとフェアネス機構を組み合わせること。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models are increasingly deployed in high-stakes domains, raising concerns about both privacy and fairness. Differential Privacy (DP) has become a gold standard for privacy-preserving data analysis, while fairness-aware mechanisms aim to mitigate discrimination against underrepresented groups. However, these objectives can conflict: DP often amplifies disparities across demographic groups, and little is known about whether established fairness interventions remain effective under DP constraints. In this work, we present, to our knowledge, the first systematic evaluation of fairness interventions on differentially private synthetic tabular data. Our benchmark centers on the Adaptive Iterative Mechanism (AIM), identified as the state-of-the-art marginal-based DP synthesizer (Cormode et al. 2025). We thus evaluate fairness interventions across four datasets, multiple group fairness metrics, and three categories of mitigation strategies (pre-processing, in-processing, and post-processing) under a wide range of privacy budgets. We compare four pipeline configurations: (Baseline) training on original data; (DP-only) training on DP synthetic data; (Fair-only) applying fairness mechanisms on original data; and (DP+Fair) combining fairness mechanisms with DP synthetic data. Our results demonstrate that while DP alone can degrade both utility and fairness, applying fairness interventions can partially restore equitable outcomes. Among them, post-processing methods tend to provide more stable fairness-utility trade-offs across privacy budgets and synthesizers, achieving strong fairness improvements while preserving competitive utility relative to other intervention stages. We release all code, data, and experimental artifacts in an open-source repository to ensure full reproducibility and to support future research on the privacy-fairness-utility trade-off.
• Abstract（参考訳）: 機械学習モデルは、ハイテイクなドメインにますますデプロイされ、プライバシと公正性の両方に対する懸念が高まっている。 差別性プライバシ(DP)は、プライバシ保護データ分析のゴールドスタンダードとなり、公平性を意識したメカニズムは、表現されていないグループに対する差別を緩和することを目的としている。 しかし、これらの目的は矛盾する可能性がある: DPは人口集団間の格差を増幅することが多く、確立された公正な介入がDPの制約の下で有効であるかどうかについてはほとんど分かっていない。 本研究は,本研究において,微分プライベートな表形式データに対するフェアネス介入の最初の体系的評価について述べる。 提案手法は適応反復機構(AIM, Adaptive Iterative Mechanism)を中心に, 最先端の辺縁系DPシンセサイザー(Cormode et al 2025)として同定された。 これにより、さまざまなプライバシー予算の下で、4つのデータセット、複数のグループフェアネス指標、および緩和戦略の3つのカテゴリ(前処理、内処理、後処理)にわたる公平な介入を評価する。 4つのパイプライン構成を比較する: (Baseline) オリジナルデータのトレーニング、 (DP-only) DP合成データのトレーニング、 (Fair-only) オリジナルデータにフェアネス機構を適用すること、 (DP+Fair) DP合成データとフェアネス機構を組み合わせること。 その結果,DP単独で有効性と公平性の両方を劣化させることができる一方で,公平性の介入を施すことで,公平な結果が部分的に回復できることが示唆された。 その中で、ポストプロセッシング手法は、プライバシー予算やシンセサイザーをまたいだより安定した公正利用のトレードオフを提供する傾向にあり、他の介入段階に対する競争力を維持しながら、強い公正性の向上を達成する。 私たちは、すべてのコード、データ、実験的なアーティファクトをオープンソースリポジトリにリリースし、完全な再現性を確保し、プライバシ・フェアネス・ユーティリティのトレードオフに関する将来の研究を支援します。

関連論文リスト

• Auditing Fairness-Privacy Trade-offs: Subpopulation-Level Effects of Fairness-Enhancing Algorithms [9.177020525465272]
  本研究は,公平な介入がサブ人口レベルでの会員推定プライバシリスクにどのように影響するかを,初めて包括的に検討する。 その結果、公正な介入はプライバシーリスクを均一に増加させるものではないことが示され、その影響はモデルアーキテクチャ、サブグループサイズ、緩和戦略に依存している。
  論文  参考訳（メタデータ） (2026-07-16T06:10:42Z)
• Federated fairness-aware classification under differential privacy [9.340058165047717]
  本研究では,差分プライバシーと公正さが連合環境における分類に与える影響について検討する。 本稿ではFDP-FairとCDP-Fairという2段階のアルゴリズムを提案する。 我々の理論的知見は、合成データと実データの両方に関する広範な数値実験によって補完される。
  論文  参考訳（メタデータ） (2026-03-25T15:09:12Z)
• Fairness Meets Privacy: Integrating Differential Privacy and Demographic Parity in Multi-class Classification [6.28122931748758]
  差分プライバシーは、公平性保証に最小限の影響を与える公平性向上パイプラインに統合可能であることを示す。 我々はDP2DPと呼ばれるポストプロセッシングアルゴリズムを設計し、人口統計と差分プライバシーの両方を強制する。 分析の結果,我々のアルゴリズムは,文献から得られる最良な非私的手法と基本的に同じ割合で,その人口的平等目標に向かって収束していることが判明した。
  論文  参考訳（メタデータ） (2025-11-24T08:31:02Z)
• Optimal Fairness under Local Differential Privacy [2.889268075288957]
  本研究では、データ不公平性を低減し、下流分類における公平性を向上するローカル差分プライバシー機構を最適に設計する方法を検討する。 理論的貢献として、識別精度の最適分類器の場合、データの不公平さを減らし、分類の不公平度を低下させることが必然的に証明される。 実験により,本手法は多様なデータセットおよび公正度指標間でデータ不公平性を減少させるため,既存のLCPメカニズムを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-11-20T14:00:15Z)
• Targeted Learning for Data Fairness [52.59573714151884]
  データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。 我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。 提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
  論文  参考訳（メタデータ） (2025-02-06T18:51:28Z)
• SAFES: Sequential Privacy and Fairness Enhancing Data Synthesis for Responsible AI [3.548595326273084]
  SAFESは、DPデータとフェアネス対応データ前処理ステップを順次組み合わせた、シーケンシャルプライバシとフェアネスの強化データ合成手順である。 プライバシ損失が妥当である場合,SAFES生成した合成データは,比較的有効性損失の少ないフェアネス指標を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-11-14T04:36:12Z)
• Incentives in Private Collaborative Machine Learning [56.84263918489519]
  コラボレーション型機械学習は、複数のパーティのデータに基づいてモデルをトレーニングする。 インセンティブとして差分プライバシー(DP)を導入する。 合成および実世界のデータセットに対するアプローチの有効性と実用性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-04-02T06:28:22Z)
• FairDP: Certified Fairness with Differential Privacy [55.51579601325759]
  本稿では,FairDPについて紹介する。FairDPは,トレーニングされたモデルの判断に対して,グループフェアネスの認定を提供するために設計された,新しいトレーニングメカニズムである。 FairDPの鍵となる考え方は、独立した個別グループのためのモデルをトレーニングし、データプライバシ保護のための各グループの勾配にノイズを加え、グループモデルの知識を統合して、下流タスクにおけるプライバシ、ユーティリティ、公正性のバランスをとるモデルを構築することである。
  論文  参考訳（メタデータ） (2023-05-25T21:07:20Z)
• 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)
• DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
  本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。 属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。 また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
  論文  参考訳（メタデータ） (2022-08-24T17:52:43Z)
• Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
  本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。 差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。 それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
  論文  参考訳（メタデータ） (2022-01-24T02:45:03Z)
• Data Sharing Markets [95.13209326119153]
  我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。 両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
  論文  参考訳（メタデータ） (2021-07-19T06:00:34Z)

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。