論文の概要: Big data, differential privacy, and national statistical organisations
- arxiv url: http://arxiv.org/abs/2609.02495v1
- Date: Wed, 02 Sep 2026 12:01:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.322911
- Title: Big data, differential privacy, and national statistical organisations
- Title（参考訳）: ビッグデータ、差分プライバシー、国家統計機関
- Authors: James Bailie,
- Abstract要約: 差分プライバシー(DP)は、周波数表などの統計出力の公表による個人のプライバシーへの影響の尺度として登場した。
本稿では,公式統計学者に対するDPの導入について紹介し,国家統計機関の観点からその妥当性,メリット,課題について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential privacy (DP) has emerged in the computer science literature as a measure of the impact on an individual's privacy resulting from the publication of a statistical output such as a frequency table. This paper provides an introduction to DP for official statisticians and discuss its relevance, benefits, and challenges from a National Statistical Organisation (NSO) perspective. We motivate our study by examining how privacy is evolving in the era of big data and how this might prompt a shift from traditional statistical disclosure techniques used in official statistics--which are generally applied on a cell-by-cell or table-by-table basis--to formal privacy methods, like DP, which are applied from a perspective encompassing the totality of the outputs generated from a given dataset. We identify an important interplay between DP's holistic privacy risk measure and the difficulty for NSOs in implementing DP, showing that DP's major advantage is also DP's major challenge. This paper provides new work addressing two key DP research areas for NSOs: DP's application to survey data and its incorporation within the Five Safes framework.
- Abstract（参考訳）: 微分プライバシー(DP)は、周波数表などの統計出力の公表による個人のプライバシーへの影響の尺度として、コンピュータ科学の文献に登場した。
本稿では,公式統計学者に対するDPの導入について紹介し,国家統計機関(NSO)の観点からその妥当性,メリット,課題について論じる。
我々は、ビッグデータの時代におけるプライバシの進化と、それが公式統計で使用される従来の統計開示技術から、セルバイセルやテーブルバイテーブルで一般的に適用される、DPのような形式的なプライバシメソッドへのシフトを、与えられたデータセットから生成されたアウトプットの総数をカバーする観点から、どのように引き起こすかを検討することで、私たちの研究を動機付けています。
我々は,DPの全体的プライバシリスク尺度と,DP導入におけるNSOの難易度との間に重要な相互作用を見出すとともに,DPの大きな優位性もDPの大きな課題であることを示す。
本稿では,NSOを対象とした2つの主要なDP研究領域について,データ調査とFive Safesフレームワークへの導入について述べる。
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) - Balancing Privacy and Utility in Correlated Data: A Study of Bayesian Differential Privacy [4.5885800765465135]
差分プライベート(DP)システムにおけるプライバシリスクは,データの相関によって著しく増加する。
現実世界のデータベースにおける依存関係の多様さを考えると、この監視はプライバシー保護にとって重要な課題となる。
BDPはこれらの相関を考慮するためにDPを拡張しているが、現在のBDPメカニズムは、その採用を制限する顕著なユーティリティ損失を示している。
論文 参考訳（メタデータ） (2025-06-26T14:25:44Z) - Differential Privacy in Machine Learning: From Symbolic AI to LLMs [49.1574468325115]
差別化プライバシは、プライバシーリスクを軽減するための正式なフレームワークを提供する。
単一のデータポイントの包含や除外がアルゴリズムの出力を著しく変更しないことを保証する。
論文 参考訳（メタデータ） (2025-06-13T11:30:35Z) - 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) - Differentially Private Policy Gradient [48.748194765816955]
本研究では,プライバシノイズと信頼領域サイズとの間の適切なトレードオフを見出すことができ,性能的にプライベートなポリシー勾配アルゴリズムが得られることを示す。
この結果と課題の複雑さは,オンラインRLにおける既存のDPアルゴリズムよりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-01-31T12:11:13Z) - Advancing privacy in learning analytics using differential privacy [0.412484724941528]
本稿では、差分プライバシー(DP)を適用して新しいフレームワークを提案することにより、学習者のデータプライバシと学習分析(LA)データとのバランスをとるという課題に対処する。
LA用に特別に設計された最初のDPフレームワークを紹介し,その実装に関する実践的なガイダンスを提供する。
我々は、このフレームワークをLA利用シナリオを通じて実演し、よく知られたLAデータセットの実験を通して、潜在的攻撃に対するデータプライバシ保護におけるDPの有効性を検証する。
論文 参考訳（メタデータ） (2025-01-03T12:36:11Z) - DPGOMI: Differentially Private Data Publishing with Gaussian Optimized
Model Inversion [8.204115285718437]
本稿では,ガウス最適化モデルインバージョン(DPGOMI)を用いた微分プライベートデータパブリッシングを提案し,この問題に対処する。
提案手法では, パブリックジェネレータを用いてプライベートデータを潜時空間にマッピングし, コンバージェンス特性が向上した低次元DP-GANを用いる。
以上の結果から,DPGOMIは,インセプションスコア,Freche't Inception Distance,分類性能において,標準DP-GAN法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-06T18:46:22Z) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳（メタデータ） (2023-09-27T14:38:16Z) - 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) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳（メタデータ） (2022-08-24T17:52:43Z)
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。