Fugu-MT 論文翻訳(概要): Optimal Domain-Aware Privacy Mechanisms for Synthetic Data Generation

論文の概要: Optimal Domain-Aware Privacy Mechanisms for Synthetic Data Generation

arxiv url: http://arxiv.org/abs/2607.18021v1
Date: Mon, 20 Jul 2026 14:54:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.665334
Title: Optimal Domain-Aware Privacy Mechanisms for Synthetic Data Generation
Title（参考訳）: 合成データ生成のための最適ドメイン認識プライバシメカニズム
Abstract要約: 我々は、ヒストグラムベースのデータ合成パイプラインで使用できる公開データ処理機構であるPubMixを紹介する。実験により,PubMixはドメインに依存しないプライバシ機構と比較して,合成データ生成品質を著しく向上することが示された。
参考スコア（独自算出の注目度）: 17.682439680820384
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Differential privacy (DP) imposes fundamental trade-offs between privacy and statistical fidelity in synthetic data generation. While access to public data has been shown to improve these trade-offs empirically, existing approaches use public data only indirectly, through pre-processing (e.g., using pre-trained generative models) or post-processing steps (e.g., matching target statistics estimated from public datasets), while relying on domain-agnostic DP mechanisms. In this work, we lay the theoretical framework to study the principled incorporation of public data into DP mechanisms themselves. We consider normalized histograms as distribution estimators and characterize the asymptotically optimal domain-aware privacy mechanism within a specific class of DP mechanisms. We introduce PubMix, a public-data-aware DP mechanism that can be used in histogram-based data synthesis pipelines. Our experiments demonstrate that PubMix significantly improves synthetic data generation quality compared to domain-agnostic privacy mechanisms.
Abstract（参考訳）: 差分プライバシー(DP)は、合成データ生成において、プライバシーと統計的忠実性の間に根本的なトレードオフを課す。公開データへのアクセスは、これらのトレードオフを実証的に改善することが示されているが、既存のアプローチでは、ドメインに依存しないDPメカニズムに依存しながら、事前処理(例えば、事前訓練された生成モデルを使用する)または後処理ステップ(例えば、パブリックデータセットから推定されるターゲット統計と一致する)を通じて、間接的にのみパブリックデータを使用する。本研究では,DP機構自体に公開データの原則を組み込むための理論的枠組みを構築した。我々は,正規化されたヒストグラムを分布推定器とみなし,特定のDP機構のクラス内で,漸近的に最適なドメイン認識プライバシ機構を特徴付ける。我々は、ヒストグラムベースのデータ合成パイプラインで使用できるパブリックデータ対応DPメカニズムPubMixを紹介する。実験により,PubMixはドメインに依存しないプライバシ機構と比較して,合成データ生成品質を著しく向上することが示された。

関連論文リスト

Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文参考訳（メタデータ） (2026-06-15T16:54:02Z)
How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy [52.00934156883483]
Differential Privacy(DP)は、情報漏洩を推論し、制限するフレームワークである。 Differentially Private Synthetic Dataは、ソースデータの全体的なトレンドを保存する合成データを指す。
論文参考訳（メタデータ） (2025-12-02T21:14:39Z)
On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
論文参考訳（メタデータ） (2025-09-03T14:18:22Z)
Managing Correlations in Data and Privacy Demand [4.855689194518906]
ユーザデータとプライバシ要求の相関が許された場合に,標準HDPフレームワークが不足していることが示される。本稿では,ユーザデータとプライバシの嗜好を両立させる代替フレームワークであるAdd-Remove Heterogeneous Differential Privacy (AHDP)を提案する。
論文参考訳（メタデータ） (2025-09-02T22:03:13Z)
Optimal Piecewise-based Mechanism for Collecting Bounded Numerical Data under Local Differential Privacy [5.258253745672122]
ローカルディファレンシャルプライバシ(LDP)は、サードパーティプラットフォームが信頼できない場合でも、証明可能な個々のプライバシを提供するフレームワークとして示されている。本稿では, LDP 下でのデータ有効性を最大化するために, ピースワイズ方式の最適設計について検討する。
論文参考訳（メタデータ） (2025-05-21T13:01:41Z)
Differentially Private Random Feature Model [47.35176457481132]
プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。本手法は,プライバシを保護し,一般化誤差を導出する。
論文参考訳（メタデータ） (2024-12-06T05:31:08Z)
DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing [51.336015600778396]
本稿では,ベスト・オブ・ボス・ワールドを実現するための分散行列機構,分散DPのプライバシ向上,行列機構の実用性向上について紹介する。我々は、異なるトレーニングイテレーションのクライアント委員会間で、一定の通信オーバーヘッドで機密値をセキュアに転送する、新しい暗号プロトコルを用いてこれを実現する。
論文参考訳（メタデータ） (2024-10-21T16:25:14Z)
Differentially Private Fine-Tuning of Diffusion Models [22.454127503937883]
微分プライバシーと拡散モデル(DM)の統合は、有望だが挑戦的なフロンティアを示している。この分野での最近の進歩は、公開データによる事前学習によって高品質な合成データを生成する可能性を強調している。本稿では,プライバシとユーティリティのトレードオフを高めるために,トレーニング可能なパラメータの数を最小限に抑える,プライベート拡散モデルに最適化された戦略を提案する。
論文参考訳（メタデータ） (2024-06-03T14:18:04Z)
Joint Selection: Adaptively Incorporating Public Information for Private Synthetic Data [13.56146208014469]
我々は,適応測定フレームワークを拡張して,公開データとプライベートデータとを協調的に選択する機構であるjam-pgmを開発した。また, ジャム-pgmは, 公用データ分布に偏りがある場合でも, 公用データと非公用データ生成機構の両方より優れていることを示す。
論文参考訳（メタデータ） (2024-03-12T16:34:07Z)
A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文参考訳（メタデータ） (2023-09-27T14:38:16Z)
Epistemic Parity: Reproducibility as an Evaluation Metric for Differential Privacy [9.755020926517291]
本稿では,プロキシタスクの表現性に関する仮定を回避した合成データの評価手法を提案する。著者が合成データを使用した場合、公表された結論が変わる可能性を測定する。我々は、より強力なユーティリティ保証を支持し、プライバシー保護を提供する新しい種類のメカニズムを提唱する。
論文参考訳（メタデータ） (2022-08-26T14:57:21Z)
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)
Combining Public and Private Data [7.975795748574989]
分散を最小化するために最適化された平均の混合推定器を導入する。ユーザのプライバシニーズに比例してデータをサブサンプリングすることで、個人のプライバシを保護する手法よりも、当社のメカニズムの方が望ましい、と我々は主張する。
論文参考訳（メタデータ） (2021-10-29T23:25:49Z)

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。