論文の概要: ScoreShield: Differentially Private Release of Similarity Scores
- arxiv url: http://arxiv.org/abs/2607.25041v1
- Date: Mon, 27 Jul 2026 20:02:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.612808
- Title: ScoreShield: Differentially Private Release of Similarity Scores
- Title（参考訳）: ScoreShield: 異なるプライベートな類似スコアリリース
- Abstract要約: バイオメトリックスや検索拡張生成(RAG)などのアプリケーションの増加は、テキスト、画像、オーディオのベクトル埋め込み間で計算されるコサイン類似度スコアに依存している。
このようなリリースは個々のレコードに関する情報を漏洩させ、メンバシップ推論攻撃を可能にする。
我々は,選択したスコア解放体制のグローバル感度にガウスノイズを付加する摂動型プロジェクト機構であるtextscScoreShieldを提案する。
- 参考スコア（独自算出の注目度）: 6.7702967874681725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A growing number of applications, such as biometrics and retrieval-augmented generation (RAG), rely on cosine similarity scores computed between vector embeddings of text, images, or audio. These systems return similarity scores through their APIs for ranking and verification. However, such releases can leak information about individual records and enable membership inference attacks. While differential privacy (DP) provides a principled metric for quantifying attack risks, naïve application of DP mechanisms---such as adding i.i.d. Gaussian noise to vector entries---leads to excessive distortion (i.e., low utility) at a given privacy constraint that scales poorly with the number of released scores. We propose \textsc{ScoreShield}, a perturb-then-project mechanism that adds Gaussian noise calibrated to global sensitivity of the chosen score release regime and then projects the result onto the feasibility set of valid cosine objects. \textsc{ScoreShield} satisfies $(\varepsilon,δ)$-DP for releasing similarity score vectors and Gram matrices. We provide utility guarantees for the exact Frobenius metric projection used in the risk analysis, and prove convergence to feasibility for the practical averaged alternating-projection solver used for large-scale Gram releases. For full pairwise cosine Gram release under record-level replacement adjacency, the exact-projection bound improves the $n$-dependence of squared Frobenius risk from $Θ(n^3)$ for the naïve Gaussian baseline to $\mathcal{O}(n^2)$ for fixed privacy parameters, with sharper local bounds at low-rank Grams. We evaluate the mechanism across RAG, face recognition, semantic retrieval, image similarity, and recommender-system tasks.
- Abstract（参考訳）: バイオメトリックスや検索拡張生成(RAG)などのアプリケーションの増加は、テキスト、画像、オーディオのベクトル埋め込み間で計算されるコサイン類似度スコアに依存している。
これらのシステムは、ランキングと検証のためのAPIを通じて類似度スコアを返す。
しかし、そのようなリリースは個々のレコードに関する情報を漏洩させ、メンバーシップ推論攻撃を可能にする。
ディファレンシャル・プライバシ(DP)は攻撃リスクの定量化のための原則的指標を提供するが、DPメカニズムのナビヴェーブ(例えば、ベクトルエントリにガウスノイズを加えるなど)は、特定のプライバシ制約において過度な歪み(すなわち低ユーティリティ)に導かれる。
我々は,選択したスコア解放方式のグローバル感度に調整されたガウス雑音を付加し,有効なコサインオブジェクトの実現可能性セットに投影する,摂動型プロジェクト機構である‘textsc{ScoreShield} を提案する。
\textsc{ScoreShield} は類似点ベクトルとグラム行列を解放する $(\varepsilon,δ)$-DP を満たす。
本稿では,リスク解析に使用される正確なフロベニウス計量射影の実用性を保証するとともに,大規模なグラムリリースに使用される実用的な平均交互射影解法の実現可能性を証明する。
レコードレベルの置き換え条件下での完全なペアワイド・コサイン・グラハムリリースでは、正確な投影バウンダリは、正方形のフロベニウスリスクの$n$依存性を、ナイーブ・ガウス基底に対して$(n^3)$から$\mathcal{O}(n^2)$へと改善し、低ランクのグラハムにおいてよりシャープな局所境界を持つ固定プライバシーパラメータに対して$\mathcal{O}(n^2)$へと改善する。
我々は、RAG、顔認識、意味検索、画像類似性、レコメンダ・システム・タスクにまたがるメカニズムを評価する。
関連論文リスト
- Overfitting Mitigation via Singular Value Decomposition in Minimum Bayes Risk Decoding [53.9009465845701]
本稿では,一対のユーティリティ行列をノイズ情報信号としてフレーム化するSVD-MBRを提案する。
実験により、SVD-MBRは復号化に成功し、一般化されたメトリクスの範囲でかなりの利得が得られることが示された。
論文 参考訳（メタデータ） (2026-09-01T12:11:29Z) - Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant [79.24089819400126]
Subsampled TurboQuant (SSTQ) は、オーバーコンプリートな等幅のタイトフレーム、座標サブサンプリング、プライバシ対応量子化を組み合わせたフレームワークである。
SSTQは平均2乗誤差スケーリングを実現し、クライアントあたり$lceil log N il + b$ bitsを使用する。
また、コードブックに依存したMSEスケーリングを$O(4b)$から$O(2b)$に削減する、プライバシを意識したコードブックの目的も導出します。
論文 参考訳（メタデータ） (2026-08-05T17:51:25Z) - Rethinking the Security of DP-SGD: A Corrected Analysis of Differentially Private Machine Learning [16.83879548734828]
Differentially Private Gradient Descent (DP-SGD)は機械学習のトレーニングデータを保護するために広く使われている。
我々は,DP-SGD のプライバシー保証を,期待平均 SGM と Batch平均 SGM の定式化に基づいて再解析する。
我々の理論的結果は、これらの保証が標準のSGMベースの保証よりも弱いことを示し、これは真のプライバシー漏洩が一部の政権で報告された保証を上回る可能性があることを示唆している。
論文 参考訳（メタデータ） (2026-05-15T06:04:00Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Approximate Algorithms for Verifying Differential Privacy with Gaussian Distributions [2.9748898344267776]
離散分布と連続分布の両方からサンプリングしたループフリープログラムの確率分布を近似する新しい手法を提案する。
我々の検証アルゴリズムは、積分近似とテール確率境界を組み合わせることにより、任意の所望の精度で確率を計算することに基づいている。
論文 参考訳（メタデータ） (2025-09-10T17:37:56Z) - Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning [49.66162382667325]
一般化ガウス機構(英語版)を考察し、ある$beta geq 1$に対して$e-frac| x |sigmabeta $ に比例した付加雑音項 $x$ をサンプリングする。
GGメカニズムとその変種に対するプライバシ会計は独立であり、プライバシ会計の計算コストを大幅に向上させることを示す。
論文 参考訳（メタデータ） (2025-06-14T15:49:25Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。
その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
論文 参考訳（メタデータ） (2024-02-09T02:11:25Z) - Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。
リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。
我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
論文 参考訳（メタデータ） (2024-02-03T08:41:51Z) - Differential Privacy with Higher Utility by Exploiting Coordinate-wise Disparity: Laplace Mechanism Can Beat Gaussian in High Dimensions [9.20186865054847]
差分的にプライベートな付加雑音機構では、応答のそれぞれの座標に独立かつ同一に分布するノイズサンプルが付加される。
我々は、i.n.d. Gaussian と Laplace のメカニズムを研究し、これらのメカニズムがプライバシーを保証する条件を得る。
論文 参考訳（メタデータ） (2023-02-07T14:54:20Z) - Heterogeneous Federated Learning on a Graph [9.135254524746847]
ローカルデータを共有せずに複数の分散デバイスでアルゴリズムをトレーニングするフェデレーション学習は、機械学習の実践でますます人気を集めている。
本研究では,データ分散と通信の不均一性を伴うフェデレート学習繰り返しにおけるパラメータ推定と,ローカル機器の計算能力の制限について考察する。
我々のアルゴリズムは収束率$O(T-1log T)$で$G$のエッジに沿ってパラメータのみを送信する。
論文 参考訳（メタデータ） (2022-09-19T03:18:10Z)
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。