論文の概要: trasgoDP: An Open Source Framework for Releasing Noised Tabular Microdata under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2607.22230v1
• Date: Fri, 24 Jul 2026 11:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.121312
• Title: trasgoDP: An Open Source Framework for Releasing Noised Tabular Microdata under Local Differential Privacy
• Title（参考訳）: trasgoDP: ローカル差分プライバシの下でノイズ付きタブラルマイクロデータを緩和するオープンソースフレームワーク
• Abstract要約: trasgoDPは、ローカルな差分プライバシー保証の下でマイクロデータをリリースするためのPythonフレームワークである。 TrasgoDPは、数値的および分類的属性に対するローカルDPメカニズム、位置データに対する地理的識別可能性メカニズム、ユーティリティメトリクスのセットを実装している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: trasgoDP is a modular, open-source, and easy-to-use Python framework for releasing tabular microdata under ε-local differential privacy guarantees, as well as location data under geo-indistinguishability assumptions, designed to be installed and integrated within standard data science workflows. The software enables systematic exploration of privacy-utility trade-offs across multiple mechanisms, data types, and ε values. While differential privacy has been extensively studied for aggregate data, its application to row-wise microdata release remains underexploited in terms of reusable software tools, a gap that is even more pronounced in the case of metric privacy and location-based data. trasgoDP implements local-DP mechanisms for numerical and categorical attributes (Laplace, Gaussian, Exponential, and Randomized Response), a geo-indistinguishability mechanism for location data, and a set of utility metrics, including a novel correlation-loss measure, to quantify information loss as a function of the allocated privacy budget. The objective of this work is to provide the research community with a reproducible, open-source baseline for evaluating tabular and location-based data publication methodologies under formal local differential privacy guarantees.
• Abstract（参考訳）: trasgoDPは、モジュール的でオープンソースで使いやすいPythonフレームワークで、εローカルな差分プライバシー保証の下でタブ形式のマイクロデータをリリースし、地理的に区別できない仮定の下で位置データを公開し、標準データサイエンスワークフローにインストールして統合するように設計されている。 このソフトウェアは、複数のメカニズム、データタイプ、ε値にわたるプライバシとユーティリティのトレードオフを体系的に調査することを可能にする。 差分プライバシーは、集約データのために広く研究されているが、その行単位でのマイクロデータリリースへの応用は、再利用可能なソフトウェアツールに関してはまだ明らかにされていない。 trasgoDPは、数値的およびカテゴリー的属性(Laplace, Gaussian, Exponential, Randomized Response)のためのローカルDPメカニズム、位置情報の地理的識別性メカニズム、新しい相関損失尺度を含むユーティリティメトリクスのセットを実装し、割り当てられたプライバシー予算の関数として情報損失を定量化する。 本研究の目的は,形式的な局所的差分プライバシー保証の下で表形式および位置に基づくデータ公開手法を評価するための,再現可能なオープンソースベースラインを研究コミュニティに提供することである。

関連論文リスト

• Towards Personalized Differentially Private Learning for Decentralized Local Graphs [62.244412935520025]
  ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 既存の LDP ベースのグラフ学習手法は、通常、ユーザ間で均一なプライバシ要件を仮定する。 PPGNNは分散グラフデータのためのパーソナライズド・ディペンデント・プライベートなフレームワークである。
  論文  参考訳（メタデータ） (2026-07-06T08:07:48Z)
• 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)
• Differentially Private Manifold Denoising [5.0794787043927725]
  本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。 このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。 実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
  論文  参考訳（メタデータ） (2026-04-01T14:13:59Z)
• Unified Locational Differential Privacy Framework [0.0]
  地理的領域にまたがる様々なデータ型のプライベートアグリゲーションを可能にするため,DPフレームワークを提案する。 その結果,地理データ解析が可能でありながら,正式なDP保証を提供する上で,我々のフレームワークの有用性を実証した。
  論文  参考訳（メタデータ） (2024-05-06T23:33:52Z)
• Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach [17.000441871334683]
  ユーザレベルでノードのプライバシを提供するための学習フレームワークを提案する。 我々は、分散化された微分プライバシーの概念、すなわちローカル微分プライバシに焦点を当てる。 摂動データから特徴やラベルを近似する再構成手法を開発した。
  論文  参考訳（メタデータ） (2023-09-15T17:35:51Z)
• 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)
• GenSyn: A Multi-stage Framework for Generating Synthetic Microdata using Macro Data Sources [21.32471030724983]
  人口を特徴付ける個人レベルのデータ(マイクロデータ)は多くの現実世界の問題を研究するのに不可欠である。 本研究では,高分解能データの抽出方法として合成データ生成について検討する。
  論文  参考訳（メタデータ） (2022-12-08T01:22:12Z)
• 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)
• Releasing survey microdata with exact cluster locations and additional privacy safeguards [77.34726150561087]
  本稿では,プライバシ保護を付加した独自のマイクロデータの有用性を活用した,代替的なマイクロデータ配信戦略を提案する。 当社の戦略は, 再識別の試みにおいても, 任意の属性に対する再識別リスクを60～80%削減する。
  論文  参考訳（メタデータ） (2022-05-24T19:37:11Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)

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。