論文の概要: Dependency Triad: A Metric to Quantify the Dependencies Between Attributes for Local Differential Privacy
- arxiv url: http://arxiv.org/abs/2608.03737v1
- Date: Tue, 04 Aug 2026 14:30:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.72853
- Title: Dependency Triad: A Metric to Quantify the Dependencies Between Attributes for Local Differential Privacy
- Title（参考訳）: Dependency Triad: 属性間の依存関係を定量化するためのメトリクス
- Authors: Sandaru Jayawardana, Sennur Ulukus, Ming Ding, Kanchana Thilakarathna,
- Abstract要約: ローカル微分プライバシー(LDP)は、そのようなシナリオにおけるプライバシーリスクを軽減するデファクトスタンダードとして登場した。
本稿では,3つのパラメータを用いてCPLに関連する相互依存情報を要約した,新しい尺度 Dependency Triad' (DT) を提案する。
DTは、そのパラメータを通して、事前の分布的知識の不確実性を明示的にモデル化し、堅牢なリーク推定を提供する。
- 参考スコア（独自算出の注目度）: 43.31974789182559
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collecting multidimensional user data is essential for extracting rich insights across various applications. Local Differential Privacy (LDP) has emerged as a de facto standard for mitigating privacy risks in such scenarios. A key challenge in privacy-preserving multidimensional data collection lies in inter-attribute dependencies, as they can inadvertently reveal correlated information and increase privacy vulnerabilities. Therefore, accurately measuring correlation-induced privacy leakage (CPL) is essential for privacy analysis and privacy-utility trade-off. However, existing CPL analysis solutions either require accurate prior knowledge or face scalability challenges for large numbers of attributes and high-cardinality attributes. These limit their practical applicability in real data. To address this research gap, we propose a novel metric, ``Dependency Triad'' (DT), which summarizes the pairwise dependency information relevant to CPL using three parameters and yields a \emph{constant-time} conservative estimator of pairwise CPL. DT explicitly models uncertainty in prior distributional knowledge through its parameters, delivering robust leakage estimates. Moreover, its robustness to sparse distributions makes it particularly suitable for high-cardinality attributes, while the pairwise formulation serves as a tractable building block for assessing total leakage in multidimensional settings. Extensive experiments on both synthetic and real datasets demonstrate that DT consistently estimates CPL across diverse dependency regimes and prior uncertainties.
- Abstract（参考訳）: 多次元ユーザデータの収集は、様々なアプリケーションにまたがる豊富な洞察を抽出するために不可欠である。
ローカル微分プライバシー(LDP)は、そのようなシナリオにおけるプライバシーリスクを軽減するデファクトスタンダードとして登場した。
プライバシを保存する多次元データ収集における重要な課題は、関係する情報を不注意に公開し、プライバシの脆弱性を増やすことができるため、属性間の依存関係にある。
したがって, 相関性によるプライバシー漏洩(CPL)を正確に測定することは, プライバシ分析やプライバシ・ユーティリティ・トレードオフに不可欠である。
しかし、既存のCPL分析ソリューションは正確な事前知識を必要とするか、多数の属性と高値の属性に対するスケーラビリティの問題に直面している。
これらは実データにおける実用性を制限する。
本研究のギャップを解消するために,3つのパラメータを用いてCPLに関連する相互依存情報を要約し,一対のCPLの「emph{constant-time} 保守的推定器」を出力する新しい尺度「Dependency Triad' (DT)」を提案する。
さらに,スパース分布に対するロバスト性は,多次元空間における総漏洩量を評価するためのトラクタブルなビルディングブロックとして機能する一方,高カルチナリティ特性に特に適している。
合成データセットと実データセットの両方に関する大規模な実験により、DTは様々な依存状態と事前の不確実性の間でCPLを一貫して推定することを示した。
関連論文リスト
- INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy [49.094769650817796]
ディファレンシャルプライバシ(DP)は、機密データや機密データを保護するために機械学習に広く利用されている。
本稿では,各バッチ内のデータを戦略的に低重み付けし,よりプライベートなデータの性能を向上させるINO-SGDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-05-08T16:04:09Z) - PRIVET: Privacy Metric Based on Extreme Value Theory [8.447463478355845]
深層生成モデルは、しばしば、遺伝配列、健康データ、より広範に、著作権、ライセンス、保護されたコンテンツなどの機密データに基づいて訓練される。
これにより、プライバシー保護のための合成データ、より具体的にはプライバシー漏洩に関する重要な懸念が持ち上がる。
本稿では,個別のプライバシリークスコアを合成サンプルに割り当てる,汎用的なサンプルベースモダリティ非依存アルゴリズムPRIVETを提案する。
論文 参考訳（メタデータ） (2025-10-28T09:42:03Z) - 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) - Frequency Estimation of Correlated Multi-attribute Data under Local Differential Privacy [5.258253745672122]
ローカル微分プライバシー(LDP)は、ユーザのデータプライバシを保護する強力なツールである。
既存のLDPメカニズムは、すべての属性にプライバシ予算を分割するか、それぞれの属性を独立して扱うかのいずれかである。
我々は属性間の相関を利用して実用性を大幅に向上する新しいLCP機構であるCorrelated Randomized Response (Corr-RR)を提案する。
論文 参考訳（メタデータ） (2025-07-23T13:52:45Z) - Information-theoretic Estimation of the Risk of Privacy Leaks [0.0]
データセット内のアイテム間の依存関係は、プライバシリークを引き起こす可能性がある。
本稿では,プライバシ侵害の可能性を示唆する指標として,元データとランダム化器からのノイズ応答の相関を計測する。
論文 参考訳（メタデータ） (2025-06-14T03:39:11Z) - Evaluating Differential Privacy on Correlated Datasets Using Pointwise Maximal Leakage [38.4830633082184]
データ駆動の進歩はプライバシーに重大なリスクをもたらす。
差分プライバシーは プライバシー保護の 基盤になっている
私たちの研究は、微妙なプライバシーリスクの理解を深め、より効果的なプライバシー保護メカニズムの開発の必要性を強調することを目的としています。
論文 参考訳（メタデータ） (2025-02-08T10:30:45Z) - Initialization Matters: Privacy-Utility Analysis of Overparameterized
Neural Networks [72.51255282371805]
我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。
このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
論文 参考訳（メタデータ） (2023-10-31T16:13:22Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳（メタデータ） (2022-11-18T11:39:03Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳（メタデータ） (2020-05-01T04:28:38Z)
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。