論文の概要: PEARL: A Task-Aware Framework for Evaluating Differentially Private Synthetic Educational Data

• arxiv url: http://arxiv.org/abs/2609.10612v1
• Date: Tue, 08 Sep 2026 14:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.077204
• Title: PEARL: A Task-Aware Framework for Evaluating Differentially Private Synthetic Educational Data
• Title（参考訳）: PEARL:個別私的学習データ評価のためのタスク認識フレームワーク
• Abstract要約: 差分プライベート(DP)合成データは、個々の学習者の露出を減らしながら、システム開発と教育研究を支援することができる。 PEARL (Privacy-Equivalence Audit and Release Ledger) を導入し、DP合成教育データセットが有効性、プライバシ保護、予測有用性、意図した教育課題に対する適合性を全て満たす場合にのみ承認する。
• 参考スコア（独自算出の注目度）: 3.8111836974655957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized learning systems rely on real learner data, including performance, behavior, and demographic information, but these data are highly privacy-sensitive. Differentially private (DP) synthetic data can support system development and educational research while reducing exposure of individual learners. Existing evaluations, however, assess privacy and predictive usefulness separately, without determining whether synthetic learner data remain usable for the intended personalized learning task. We introduce PEARL (Privacy-Equivalence Audit and Release Ledger), which approves a DP synthetic educational dataset only when it passes all required checks of validity, privacy protection, predictive usefulness, and suitability for the intended educational task, while recording why each rejected dataset fails. Across 96 study settings, each defined by a dataset, data-generation method, privacy budget, and random seed, only 12 produced synthetic datasets that passed all applicable PEARL checks. Many privacy-protected datasets were rejected for omitting important outcome groups, such as withdrawn students, or for failing to preserve the order of learning activities. Fairness analysis further showed that some datasets passing privacy and predictive-usefulness checks still yielded unequal at-risk prediction performance across groups defined by disability and socioeconomic background. Moreover, Deep Knowledge Tracing and Self-Attentive Knowledge Tracing learned no meaningful next-response patterns from any tested synthetic knowledge-tracing dataset, showing that privacy protection alone does not guarantee usefulness for dropout prediction, knowledge tracing, or adaptive tutoring.
• Abstract（参考訳）: パーソナライズドラーニングシステムは、パフォーマンス、行動、人口統計などの実際の学習データに依存するが、これらのデータはプライバシーに敏感である。 差分プライベート(DP)合成データは、個々の学習者の露出を減らしながら、システム開発と教育研究を支援することができる。 しかし、既存の評価では、目的とするパーソナライズされた学習タスクにおいて、合成学習者が引き続き利用できるかどうかを判断することなく、プライバシと予測の有用性を別々に評価している。 PEARL(Privacy-Equivalence Audit and Release Ledger)を導入し、DP合成教育データセットが有効性、プライバシ保護、予測的有用性、意図した教育課題に対する適合性のすべてのチェックをパスしたときのみ、拒否されたデータセットが失敗する理由を記録しながら、DP合成教育データセットを承認する。 データセット、データ生成方法、プライバシ予算、ランダムシードによってそれぞれ定義された96の研究では、すべてのPEARLチェックをパスした合成データセットは、わずか12つしか生成されなかった。 多くのプライバシー保護データセットは、学生の退学や、学習活動の順序の維持に失敗したことなど、重要な結果群を省略するために拒絶された。 フェアネス分析により、プライバシと予測使用性チェックを通したいくつかのデータセットは、障害と社会経済的背景によって定義されたグループ間でのリスク予測性能が相変わらず低下していることが示された。 さらに、Deep Knowledge TracingとSelf-Attentive Knowledge Tracingは、テスト対象の合成知識追跡データセットから、意味のある次の応答パターンを学習しなかった。

関連論文リスト

• Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
  データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。 本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
  論文  参考訳（メタデータ） (2026-06-15T16:54:02Z)
• PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data [49.35645194884526]
  差分プライバシーを保証する実用的なATE推定フレームワークであるPrivATEを紹介する。 プライバシの異なるプライバシ要件を満たすために、プライバシ保護の2つのレベル(ラベルレベルとサンプルレベル)をPrivATEで設計する。 PrivATEはノイズによるエラーとマッチングエラーを効果的にバランスさせ、ATEをより正確に見積もる。
  論文  参考訳（メタデータ） (2025-12-16T16:30:07Z)
• Aim High, Stay Private: Differentially Private Synthetic Data Enables Public Release of Behavioral Health Information with High Utility [2.1715431485081593]
  差別化プライバシ(DP)は、再識別リスクに対する正式な保証を提供する。 我々は、リングスタディ(LEMURS)を用いて測定されたライブ体験の第1相のDP合成データを生成する。 LEMURSデータセットの実際の使用状況から情報を得たフレームワークを用いて,合成データの有用性を評価する。
  論文  参考訳（メタデータ） (2025-06-30T15:58:34Z)
• 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)
• PASS: Private Attributes Protection with Stochastic Data Substitution [46.38957234350463]
  下流タスクのためのデータユーティリティを維持しながら、データからデータを取り除き、プライベート属性を保護するための様々な研究が提案されている。 PASSは、新しい損失関数で訓練された特定の確率に応じて、元のサンプルを別のサンプルに置換するように設計されている。 顔画像、人間の活動感覚信号、音声記録データセットなど、さまざまなモダリティのデータセットに対するPASSの包括的評価は、PASSの有効性と一般化性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-08T22:48:07Z)
• Tabular Data Synthesis with Differential Privacy: A Survey [24.500349285858597]
  データ共有はコラボレーティブなイノベーションの前提条件であり、さまざまなデータセットを活用して深い洞察を得ることを可能にします。 データ合成は、実際のデータの統計特性を保存する人工データセットを生成することで、この問題に対処する。 プライバシーに配慮したデータ共有に対する、有望なアプローチとして、異なるプライベートなデータ合成が登場している。
  論文  参考訳（メタデータ） (2024-11-04T06:32:48Z)
• Approximate, Adapt, Anonymize (3A): a Framework for Privacy Preserving Training Data Release for Machine Learning [3.29354893777827]
  データリリースフレームワークである3A(Approximate, Adapt, Anonymize)を導入し、機械学習のデータユーティリティを最大化する。 本稿では,実データセットと民生データセットでトレーニングしたモデルの性能指標の相違が最小限に抑えられることを示す実験的な証拠を示す。
  論文  参考訳（メタデータ） (2023-07-04T18:37:11Z)
• "You Can't Fix What You Can't Measure": Privately Measuring Demographic Performance Disparities in Federated Learning [78.70083858195906]
  グループメンバーシップのプライバシを保護しつつ,グループ間でのパフォーマンスの差異を測定するための,差分プライベートなメカニズムを提案する。 我々の結果は、以前の研究の示唆に反して、プライバシ保護は必ずしもフェデレーションモデルの性能格差の特定と矛盾しているわけではないことを示している。
  論文  参考訳（メタデータ） (2022-06-24T09:46:43Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Towards a Data Privacy-Predictive Performance Trade-off [2.580765958706854]
  分類タスクにおけるデータプライバシと予測性能のトレードオフの存在を評価する。 従来の文献とは異なり、プライバシーのレベルが高ければ高いほど、予測性能が向上することを確認した。
  論文  参考訳（メタデータ） (2022-01-13T21:48:51Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

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。