論文の概要: Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2607.27815v1
• Date: Thu, 30 Jul 2026 07:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.446587
• Title: Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy
• Title（参考訳）: 局所微分プライバシー下におけるスパース数値ベクトルのロバスト推定
• Abstract要約: ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。 本稿では,頑健なスパースベクトル平均推定問題に対処する。 本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
• 参考スコア（独自算出の注目度）: 61.848691894557426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local differential privacy (LDP) protocols are vulnerable to poisoning attacks. Existing research have proposed efficient defense strategies for single-item users. However, in practice, a user may possess multiple items. The defense against poisoning attacks for multi-item users is challenging, because due to larger output spaces, the adversary can conduct more powerful attacks without being detected. In this paper, we address the robust sparse vector mean estimation problem, in which each user has a vector with $m$ nonzero coordinates. We propose Randomized Projection with Clipping (RPC). Firstly, the server sends a random binary vector to each user. The user then projects its local data on the vector, and clip the value to restrict the attacker's capability. To handle clipping bias, we propose a correction method based on a careful analysis that gives an exact expression of the bias. As a result, bias-variance tradeoff is no longer needed, thus the clipping threshold can be further reduced to shrink the output space and enhance robustness. We provide a rigorous theoretical guarantee of the estimation error under all possible attacks. Numerical experiments show that under trusted environments, our new method achieves comparable or better performance than existing methods, indicating that our method is already an efficient estimator in its own right. Under untrusted environments, our method is also significantly more robust to poisoning attacks.
• Abstract（参考訳）: ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。 既存の研究では、シングルイテムユーザのための効率的な防衛戦略が提案されている。 しかし実際には、ユーザーは複数のアイテムを所持することがある。 より大きな出力空間のため、敵は検出されずにより強力な攻撃を行うことができるため、マルチテムユーザに対する毒攻撃に対する防御は困難である。 本稿では,各ユーザが$m$非ゼロ座標を持つベクトルを持つような,頑健なスパースベクトル平均推定問題に対処する。 我々はClipping (RPC) を用いたランダム化プロジェクションを提案する。 まず、サーバはランダムなバイナリベクトルを各ユーザに送信する。 次に、ユーザはベクターにローカルデータを投影し、アタッカーの能力を制限するために値をクリップする。 クリッピングバイアスに対処するために,そのバイアスを正確に表現する注意深い解析に基づく補正手法を提案する。 その結果、バイアス分散トレードオフはもはや不要となり、クリッピング閾値をさらに小さくして出力空間を小さくし、堅牢性を高めることができる。 攻撃可能な全ての攻撃に対する推定誤差の厳密な理論的保証を提供する。 数値実験により、信頼された環境下では、新しい手法は既存の手法と同等あるいは優れた性能を達成でき、我々の手法は、既に独自の手法で効率的な推定器であることが示されている。 信頼できない環境下では,本手法は毒性攻撃に対して極めて堅牢である。

関連論文リスト

• Poisoning Attacks to Local Differential Privacy for Ranking Estimation [8.14832255549522]
  ローカルディファレンシャルプライバシ(LDP)は、ユーザが入力を摂動させ、データの可視的識別性を提供する。 本稿では,まず,ランキング推定のための新規な毒殺攻撃について紹介する。 我々はkRR, OUE, OLHプロトコルの対応戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-30T16:39:02Z)
• A Practical and Secure Byzantine Robust Aggregator [13.559303429924695]
  ビザンチンのロバストアグリゲーションは、ベクトルのロバスト平均を計算するアルゴリズムプリミティブである。 入力ベクトルのサイズにおいて準線形時間で動作し、ほぼ最適バイアス境界を持つ最初のロバストアグリゲータを与える。 我々のアルゴリズムは、クリーンベクトルの分布に関する知識を前提とせず、フィルターしきい値の事前計算も必要としない。
  論文  参考訳（メタデータ） (2025-06-29T10:53:54Z)
• Adversarial Attacks Neutralization via Data Set Randomization [3.655021726150369]
  ディープラーニングモデルに対する敵対的な攻撃は、信頼性とセキュリティに深刻な脅威をもたらす。 本稿では,超空間射影に根ざした新しい防御機構を提案する。 提案手法は,敵対的攻撃に対するディープラーニングモデルの堅牢性を高めていることを示す。
  論文  参考訳（メタデータ） (2023-06-21T10:17:55Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• Practical Evaluation of Adversarial Robustness via Adaptive Auto Attack [96.50202709922698]
  実用的な評価手法は、便利な(パラメータフリー)、効率的な(イテレーションの少ない)、信頼性を持つべきである。 本稿では,パラメータフリーな適応オートアタック (A$3$) 評価手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T04:53:54Z)
• PDPGD: Primal-Dual Proximal Gradient Descent Adversarial Attack [92.94132883915876]
  最先端のディープニューラルネットワークは、小さな入力摂動に敏感である。 対向騒音に対するロバスト性を改善するための多くの防御法が提案されている。 敵の強靭さを評価することは 極めて困難であることが分かりました
  論文  参考訳（メタデータ） (2021-06-03T01:45:48Z)
• Transferable Sparse Adversarial Attack [62.134905824604104]
  オーバーフィッティング問題を緩和するジェネレータアーキテクチャを導入し、転送可能なスパース対逆例を効率的に作成する。 提案手法は,他の最適化手法よりも700$times$高速な推論速度を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:44:58Z)
• Minimax Off-Policy Evaluation for Multi-Armed Bandits [58.7013651350436]
  有界報酬を用いたマルチアームバンディットモデルにおけるオフポリシー評価の問題点について検討する。 3つの設定でミニマックスレート・オプティマティックな手順を開発。
  論文  参考訳（メタデータ） (2021-01-19T18:55:29Z)

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。