論文の概要: A Maximum Entropy Implementation of Differential Privacy Under Linear Invariants
- arxiv url: http://arxiv.org/abs/2607.22450v1
- Date: Fri, 24 Jul 2026 16:13:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.177197
- Title: A Maximum Entropy Implementation of Differential Privacy Under Linear Invariants
- Title（参考訳）: 線形不変量の下での微分プライバシーの最大エントロピー実装
- Abstract要約: 本稿では,確率 1 あるいは指数関数的に 1 に近いアグリゲーション不変量を維持する高エントロピー差分プライバシー実装を提案する。
この手法は、線形等式制約下での通常の混合モデルからのサンプリングの文脈で一般的に用いられる。
- 参考スコア（独自算出の注目度）: 0.8021197489470758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential privacy is the standard for ensuring data privacy and is widely used in major data publications, including reporting results from the U.S. decennial census. Common implementation of differential privacy uses independent Gaussian or Laplace noise addition to the database. However, there could be aggregate (linear) queries to the database that are excluded from the privacy budget, for example, state totals that can not be perturbed due to constitutional mandates. Any implementation of a differential privacy is required to honor these constraints, also referred to as invariants. Under aggregation constraints, the noise vector is no longer independent and the traditional differential privacy guarantees have to be re-evaluated. We propose a high entropy differential privacy implementation that maintains the aggregation invariants with probability one or exponentially close to one and derive the privacy guarantees for the implementation under the invariants. The theoretical proof covers a partial solution to an open question about the null space of correlation matrices. Moreover, the methodology has general use in the context of sampling from normal mixture models under linear equality constraints.
- Abstract（参考訳）: 差別化プライバシはデータのプライバシを保証する標準であり、アメリカの12年国勢調査の報告結果を含む主要なデータパブリッシングで広く使用されている。
差分プライバシーの一般的な実装は、データベースに独立したガウスノイズまたはラプラスノイズを付加する。
しかし、プライバシー予算から除外されたデータベースに集約された(線形)クエリがある可能性がある。
差分プライバシーの実装は、これらの制約を尊重するために必要であり、不変(invariants)とも呼ばれる。
集約制約の下では、ノイズベクトルはもはや独立ではなく、従来の差分プライバシー保証を再評価する必要がある。
本稿では,確率 1 または指数関数的に 1 に近いアグリゲーション不変量を維持する高エントロピー差分プライバシー実装を提案し,その不変量に基づく実装のプライバシ保証を導出する。
理論的な証明は、相関行列の零空間に関する開問題に対する部分解をカバーしている。
さらに、この手法は線形等式制約下での通常の混合モデルからのサンプリングの文脈で一般的に用いられる。
関連論文リスト
- Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy [5.19945480121051]
既存のプライベートアプローチは、しばしばデータ分割に依存し、効果的なサンプルサイズを減らす。
分割を回避した完全データのプライバシ保存型コンフォメーション予測フレームワークを提案する。
一般的な差分プライバシー保証は、普遍的なカバレッジフロアをもたらすが、一般的には1ドルから1ドル程度のレベルを回復することはできない。
論文 参考訳（メタデータ） (2026-03-08T08:25:16Z) - Parallel Composition for Statistical Privacy [0.0]
データベースのサブサンプリングとランダムなパーティショニングに基づいて、クエリ間の依存関係をバインドするプライバシーメカニズムが提案されている。
これらの境界は、分散のエントロピーを考慮に入れた現実的なアプリケーションシナリオにおいて、プライバシと精度保証の改善をもたらすことを示している。
論文 参考訳（メタデータ） (2026-02-10T10:13:44Z) - 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) - Private Estimation when Data and Privacy Demands are Correlated [5.755004576310333]
微分プライバシーは、統計クエリーのプライバシーを確保するための現在のゴールドスタンダードである。
単変量データに対する経験的平均推定の問題とカテゴリーデータに対する周波数推定について考察する。
提案アルゴリズムは,PAC誤差と平均二乗誤差の両方で理論的性能を保証する。
論文 参考訳（メタデータ） (2024-07-15T22:46:02Z) - Optimal Federated Learning for Nonparametric Regression with Heterogeneous Distributed Differential Privacy Constraints [5.3595271893779906]
本研究では,異なるサーバにまたがる分散サンプルのコンテキストにおける非パラメトリック回帰のためのフェデレーション学習について検討した。
統計の正確さとプライバシーの保護のトレードオフに光を当てている。
論文 参考訳（メタデータ） (2024-06-10T19:34:07Z) - Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳（メタデータ） (2024-03-19T17:54:49Z) - Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
1ビット通信制約を伴う個別分布推定問題を考える。
1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。
これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
論文 参考訳（メタデータ） (2023-10-17T05:21:19Z) - On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。
差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。
アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
論文 参考訳（メタデータ） (2023-02-11T14:45:31Z) - Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。
我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文 参考訳（メタデータ） (2022-08-12T06:52:55Z) - Debugging Differential Privacy: A Case Study for Privacy Auditing [60.87570714269048]
監査は、微分プライベートなスキームの欠陥を見つけるためにも利用できることを示す。
このケーススタディでは、微分プライベートなディープラーニングアルゴリズムの最近のオープンソース実装を監査し、99.9999999999%の信頼を得て、この実装が要求される差分プライバシー保証を満たさないことを発見した。
論文 参考訳（メタデータ） (2022-02-24T17:31:08Z) - Smoothed Differential Privacy [55.415581832037084]
微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。
本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。
サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
論文 参考訳（メタデータ） (2021-07-04T06:55:45Z) - Bounding, Concentrating, and Truncating: Unifying Privacy Loss
Composition for Data Analytics [2.614355818010333]
アナリストが純粋なDP、境界範囲(指数的なメカニズムなど)、集中的なDPメカニズムを任意の順序で選択できる場合、強いプライバシー損失バウンダリを提供する。
また、アナリストが純粋なDPと境界範囲のメカニズムをバッチで選択できる場合に適用される最適なプライバシー損失境界を提供する。
論文 参考訳（メタデータ） (2020-04-15T17:33:10Z)
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。