論文の概要: Revisiting Continuous Noise Sampling for Multi-Party Differential Privacy
- arxiv url: http://arxiv.org/abs/2608.27766v1
- Date: Thu, 27 Aug 2026 22:57:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.162962
- Title: Revisiting Continuous Noise Sampling for Multi-Party Differential Privacy
- Title（参考訳）: 多人数差分プライバシーのための連続ノイズサンプリングの再検討
- Abstract要約: 本稿では,連続ノイズサンプリングプロトコルを再検討し,セキュリティと効率の両面でいくつかの改善点を示す。
演算回路におけるスケーリング操作は、ノイズをスパースで公知の値集合に分解し、相手が解放されたノイズの多いクエリを観測し、生成したデータセットを決定することを実証する。
我々の実装は、既存のセキュアな離散サンプリング器よりも412倍のスピードアップを実現し、安全でないサンプル・スケールのパラダイムよりもマグニチュード・オブ・マグニチュード・スピードアップを実現している。
- 参考スコア（独自算出の注目度）: 5.859502071587914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Combining secure multi-party computation (MPC) with differential privacy (DP) enables multiple parties to release aggregate statistics without a trusted curator, and the core primitive is the protocol to sample noise from a continuous distribution under finite-precision arithmetic. In this paper, we revisit the continuous noise sampling protocols and present several improvements in both security and efficiency. We start by identifying a vulnerability in widely used sample-and-scale constructions. We demonstrate that the scaling operation in arithmetic circuits confines the noise to a sparse, publicly known set of values, so that an adversary can observe the released noisy queries and decide which dataset produced them. As concrete demonstrations, we instantiate attacks on two systems employing such ``flawed'' sampling protocols: Orchard (OSDI'20) for DP secure aggregation and DP-BREM$^+$ (USENIX Sec'25) for DP federated learning. We report a near-$100\%$ attack success rate on both systems, under any noise scaler $s\geq 2$ used in practice. The leakage we reveal is intrinsic to the scaling operation, and direct repairs either substantially sacrifice utility or add significant precision bits to make the sampling more expensive. To address the security and efficiency issues together, we turn to discrete sampling at the granularity of individual biased bits. We make several optimizations to the sampler and prove its security. Our implementation achieves $4\times \sim 612\times$ speedup over existing secure discrete samplers and orders-of-magnitude speedup over the insecure sample-and-scale paradigm, with negligible utility loss compared to the ideal continuous mechanism.
- Abstract（参考訳）: セキュアなマルチパーティ計算(MPC)と差分プライバシー(DP)を組み合わせることで、複数のパーティが信頼できるキュレーターを使わずに集約統計を公開でき、コアプリミティブは有限精度算術の下で連続分布からノイズをサンプリングするプロトコルである。
本稿では,連続ノイズサンプリングプロトコルを再検討し,セキュリティと効率の両面でいくつかの改善点を示す。
まず、広く使われているサンプル・アンド・スケール構造における脆弱性を特定します。
演算回路におけるスケーリング操作は、ノイズをスパースで公知の値集合に限定し、相手が解放されたノイズの多いクエリを観察し、生成したデータセットを決定することができることを示す。
具体的な実証として,DPセキュアアグリゲーションのためのOrchard (OSDI'20) とDPフェデレーション学習のためのDP-BREM$^+$ (USENIX Sec'25) の2つのシステムに対する攻撃をインスタンス化する。
実際に使用されるノイズスケーラの$s\geq 2$の下で、両方のシステムで100\%近い攻撃成功率を報告します。
私たちが明らかにしたリークはスケーリング操作に固有のものであり、直接修理は実用性を大幅に犠牲にするか、サンプリングをより高価にするためにかなりの精度のビットを追加するかのいずれかである。
セキュリティと効率の問題を解決するために、個々のバイアスビットの粒度を離散サンプリングする。
サンプルにいくつかの最適化を施し、その安全性を証明します。
我々の実装では、既存のセキュアな離散サンプリングよりも4\times \sim 612\times$スピードアップを達成し、安全でないサンプル・スケールのパラダイムよりもマグニチュード・オブ・マグニチュード・スピードアップを実現しています。
関連論文リスト
- Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。
我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。
我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文 参考訳（メタデータ） (2026-01-19T07:55:29Z) - 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) - Benchmarking Secure Sampling Protocols for Differential Privacy [3.0325535716232404]
微分プライバシ(DP)の2つのよく知られたモデルは、中心モデルと局所モデルである。
近年,分散環境でのセキュアマルチパーティ計算(MPC)によるDPの実現が提案されている。
論文 参考訳（メタデータ） (2024-09-16T19:04:47Z) - Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。
DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。
本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
論文 参考訳（メタデータ） (2024-04-24T06:51:16Z) - An Efficient Rehearsal Scheme for Catastrophic Forgetting Mitigation during Multi-stage Fine-tuning [55.467047686093025]
このような忘れを緩和するための一般的なアプローチは、微調整中に以前のタスクからサンプルをリハーサルすることである。
側方損傷のリハーサルを優先するサンプリング手法である textttbf mix-cd を提案する。
我々の手法は計算効率が高く、実装が容易で、計算制約のある設定においていくつかの主要な連続学習手法より優れています。
論文 参考訳（メタデータ） (2024-02-12T22:32:12Z) - Enhancing Trade-offs in Privacy, Utility, and Computational Efficiency through MUltistage Sampling Technique (MUST) [3.0939420223851446]
プライバシ・アンプリフィケーション(PA)のためのサブサンプリング手法のクラスを提案する。
本研究は2段階MUST法におけるPA効果と実用性について包括的に解析する。
MUSTの繰り返し適用に関するプライバシー損失構成分析を行う。
論文 参考訳（メタデータ） (2023-12-20T19:38:29Z) - Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal
Abstractions [59.605246463200736]
雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。
まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。
我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
論文 参考訳（メタデータ） (2023-01-04T10:40:30Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳（メタデータ） (2021-10-25T06:18:55Z) - Learning Numeric Optimal Differentially Private Truncated Additive
Mechanisms [5.079561894598125]
実効性境界が強い付加的なメカニズムに対して,トランクテッドノイズを学習するためのツールを提案する。
平均単調な単調な音から, 対称性やその新しい音を考慮すれば十分であることを示す。
感度境界機構については, 平均単調な単調なノイズから, 対称性とその新しさを考えるのに十分であることを示す。
論文 参考訳（メタデータ） (2021-07-27T17:22:57Z) - Improved, Deterministic Smoothing for L1 Certified Robustness [119.86676998327864]
分割雑音を伴う非加法的決定論的平滑化法(dssn)を提案する。
一様加法平滑化とは対照的に、ssn認証は無作為なノイズコンポーネントを独立に必要としない。
これは、規範ベースの敵対的脅威モデルに対して決定論的「ランダム化平滑化」を提供する最初の仕事である。
論文 参考訳（メタデータ） (2021-03-17T21:49:53Z)
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。