論文の概要: Geometric Data Perturbation with Noisy-Anchor Alignment for Privacy-Preserving Collaborative Learning

• arxiv url: http://arxiv.org/abs/2608.18749v1
• Date: Wed, 19 Aug 2026 09:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.368986
• Title: Geometric Data Perturbation with Noisy-Anchor Alignment for Privacy-Preserving Collaborative Learning
• Title（参考訳）: プライバシー保護型協調学習のためのノイズアンカーアライメントを用いた幾何学的データ摂動
• Abstract要約: Geometric Data Perturbation (GDP)は、ワンショットでプライバシを保存する協調学習を可能にする。 筆者らは、分析参加者の個人データを収集するために、すべてのアップロードされた表現とプライベートデータと、参加者が開示した変換を組み合わせ、分析参加者の個人データを復元する、分析参加者の共謀の下でGDPについて検討する。 我々は,DCアンカーマトリックスの開示により,衝突の有無に関わらず,非衝突参加者のプライベートデータの正確な復元が可能であることを示す。
• 参考スコア（独自算出の注目度）: 2.9360071145551068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric Data Perturbation (GDP) enables one-shot, privacy-preserving collaborative learning: each participant applies a distance-preserving transformation to its private data and uploads only the resulting representation to a central analyst. We study GDP under analyst-participant collusion, in which the analyst combines all uploaded representations with the private data and transformations disclosed by colluding participants to recover a non-colluding participant's private data. Participant-specific independent transformations resist this attack but map participants' data into incompatible representation spaces, degrading downstream model performance. Shared-anchor alignment from Data Collaboration (DC) analysis restores compatibility and improves utility, but we show that disclosing the DC anchor matrix enables exact recovery of non-colluding participants' private data even in the presence of collusion. Adding noise directly to the private-data representations mitigates this vulnerability but substantially reduces utility. We propose adding noise to the anchor representations instead. Each participant independently transforms its private data and the shared anchor matrix, perturbs only the resulting anchor representation, and uploads both representations in a single round. Using the noisy anchor representations, the analyst aligns the private-data representations by solving a Generalized Orthogonal Procrustes Problem. We characterize alignment and recovery errors, specialize a conservative sufficient condition for convergence of the alignment to our setting, and analyze three recovery attacks. Experiments on MNIST and CelebA show that, across the evaluated attacks and deployment settings, anchor noise achieves higher learning accuracy than private-data noise at comparable measured leakage, yielding a more favorable privacy-utility trade-off under the specified collusion model.
• Abstract（参考訳）: Geometric Data Perturbation (GDP)は、一発でプライバシ保護の協調学習を可能にする。各参加者は、プライベートデータに距離保存変換を適用し、結果の表現のみを中央アナリストにアップロードする。 筆者らは、分析参加者の個人データを収集するために、すべてのアップロードされた表現をプライベートデータと組み合わせ、参加者が開示したトランスフォーメーションを分析参加者のプライベートデータと組み合わせ、GDPについて検討する。 参加者固有の独立変換はこの攻撃に抵抗するが、参加者のデータを非互換な表現空間にマッピングし、下流モデルの性能を低下させる。 Data Collaboration (DC) 分析による共有アンカーアライメントは互換性を回復し,有用性を向上するが,DCアンカーマトリクスの開示により,衝突があっても非衝突参加者のプライベートデータの正確な復元が可能であることを示す。 プライベートデータ表現に直接ノイズを加えると、この脆弱性は軽減されるが、実用性はかなり低下する。 代わりに、アンカー表現にノイズを追加することを提案する。 それぞれが独立してプライベートデータと共有アンカー行列を変換し、結果として生じるアンカー表現のみをパーターブし、両方の表現を1ラウンドでアップロードする。 ノイズの多いアンカー表現を用いて、アナリストは、一般化直交プロクリスト問題の解法により、プライベートデータ表現を整列する。 我々は、アライメントとリカバリの誤りを特徴づけ、アライメントとアライメントの収束に十分な保守的な条件を特殊化し、3つのリカバリ攻撃を分析する。 MNISTとCelebAの実験では、評価された攻撃とデプロイメント設定を通じて、アンカーノイズは、同等に測定されたリーク時のプライベートデータノイズよりも高い学習精度を実現し、特定のコレージョンモデルの下でより好ましいプライバシユーティリティトレードオフをもたらすことが示されている。

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)
• Privacy Auditing with Zero (0) Training Run [24.856718399464636]
  2つの固定データセットを使用してモデルを監査するためのポストホックフレームワークであるZero-Runのプライバシ監査を紹介する。 最初のアプローチは、適応的な構成として分布シフトとアルゴリズムリークの併用効果をモデル化する。 第2のアプローチでは、観測されたデータに基づいて、ポイントワイドなメンバシップ推定を調整し、よりシャープなインスタンス依存境界を得る。
  論文  参考訳（メタデータ） (2026-05-14T09:00:56Z)
• Separable Expert Architecture: Toward Privacy-Preserving LLM Personalization via Composable Adapters and Deletable User Proxies [0.3559583113064005]
  現在のモデルトレーニングアプローチでは、ユーザ情報を共有重みに直接組み込むことで、個別のデータ削除を再トレーニングせずに計算不能にする。 本稿では、静的ベースモデルと、ユーザデータを与えることなく振舞いを形作る構成可能なドメインエキスパートLoRAアダプタと、削除が決定論的アンラーニングを構成するユーザごとのプロキシアーティファクトを組み合わせることで、共有重みから個人データを分離する3層アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-23T11:51:31Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Minimax Data Sanitization with Distortion Constraint and Adversarial Inference [28.511444169443195]
  本研究では,プライバタイザーがプライベートデータを,認証されたコンストラクタと2人の無許可の敵が観察した衛生バージョンに変換するプライバシー保護データ共有環境について検討する。 本稿では, 民営化, 再構築, 敵を交互に更新するデータ駆動型訓練手法を提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:22:35Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• RASE: Efficient Privacy-preserving Data Aggregation against Disclosure Attacks for IoTs [2.1765174838950494]
  センサデバイスが生み出すデータを収集・保護する新たなパラダイムについて検討する。 データアグリゲーションとプライバシ保護の共同設計に関するこれまでの研究は、信頼されたフュージョンセンターがプライバシ体制に準拠していることを前提としている。 本稿では,3段階の逐次手順,雑音付加,ランダムな置換,パラメータ推定に一般化可能な新しいパラダイム(RASE)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T15:21:38Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• The Inadequacy of Similarity-based Privacy Metrics: Privacy Attacks against "Truly Anonymous" Synthetic Datasets [12.730435519914415]
  実世界の合成データデプロイメントで使用されるプライバシメトリクスを調べ、その信頼性をいくつかの点で実証する。 ReconSynは、メトリクスによってプライベートと見なされるが、個々のレコードに固有の情報をリークする複数の合成データセットを生成するリコンストラクション攻撃である。 ReconSynは列車データから78-100%のアウトレーヤを復元し、ブラックボックスアクセスのみを1つの適合した生成モデルとプライバシメトリクスに含める。
  論文  参考訳（メタデータ） (2023-12-08T15:42:28Z)
• Privacy-Preserving Federated Learning on Partitioned Attributes [6.661716208346423]
  フェデレーション学習は、ローカルデータやモデルを公開することなく、協調的なトレーニングを促進する。 ローカルモデルをチューニングし、プライバシー保護された中間表現をリリースする逆学習ベースの手順を紹介します。 精度低下を緩和するために,前方後方分割アルゴリズムに基づく防御法を提案する。
  論文  参考訳（メタデータ） (2021-04-29T14:49:14Z)
• 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)
• Understanding Adversarial Examples from the Mutual Influence of Images and Perturbations [83.60161052867534]
  クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。 以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。 我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
  論文  参考訳（メタデータ） (2020-07-13T05:00:09Z)

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。