論文の概要: A Graph-Based Framework for Extending Metric Differential Privacy Mechanisms
- arxiv url: http://arxiv.org/abs/2609.14125v1
- Date: Sat, 12 Sep 2026 20:09:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.706654
- Title: A Graph-Based Framework for Extending Metric Differential Privacy Mechanisms
- Title（参考訳）: メトリクス差分プライバシーメカニズムを拡張するグラフベースのフレームワーク
- Abstract要約: 拡張型 mDP の設計について検討し,まず有限個のシードレコードに機構を指定し,さらに大きなターゲットドメインに拡張する。
グラフベースの拡張フレームワークを提案し、正当性、局所的なmDP制約、重複性、一貫性、後継レベルのmDPの3つの要件を特定する。
道路地図データを用いた実験では, 正確なmDP保証を保ちながら, 高い実用性とスケーラビリティのトレードオフを達成できることが示されている。
- 参考スコア（独自算出の注目度）: 7.889420673572309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metric differential privacy (mDP) is well suited to structured secret domains, but directly constructing utility-aware mechanisms over large or fine-grained domains is often computationally prohibitive. We study extension-based mDP design, where a mechanism is first specified on a finite set of seed records and then extended to a larger target domain. To our knowledge, this is the first work to systematically formulate extension as a general design paradigm for mDP rather than a method-specific construction. We present a graph-based extension framework, identify three requirements for correctness, local mDP constraints, overlap consistency, and successor-level mDP preservation, and show that, under these conditions, the induced global mechanism is well defined and satisfies $ε$-mDP on the target domain. We further instantiate the framework with a tree-based extension algorithm for multi-resolution grids, where multi-dimensional extension is realized through one-dimensional interpolation and dimension-wise composition. Experiments on road-map datasets demonstrate that our approach achieves a strong utility-scalability trade-off while preserving exact mDP guarantees.
- Abstract（参考訳）: メートル微分プライバシ(mDP)は、構造化された秘密ドメインによく適しているが、大きなドメインやきめ細かなドメインにユーティリティ認識機構を直接構築することは、しばしば計算的に禁止される。
拡張型mDPの設計について検討し、まず、有限個のシードレコードにメカニズムを指定し、さらに大きなターゲットドメインに拡張する。
我々の知る限り、これはメソッド固有の構造ではなく、mDPの汎用設計パラダイムとして拡張を体系的に定式化する最初の試みである。
グラフベースの拡張フレームワークを提案し, 正当性, 局所的なmDP制約, 重複一貫性, 継承レベルのmDP保存の3つの要件を特定し, これらの条件下では, 誘導された大域的なメカニズムが適切に定義され, 対象ドメイン上で$ε$-mDPを満たすことを示す。
さらに,一次元補間および次元ワイド合成により多次元拡張を実現する多次元グリッドのツリーベース拡張アルゴリズムを用いて,フレームワークのインスタンス化を行う。
道路地図データを用いた実験では, 正確なmDP保証を保ちながら, 高い実用性とスケーラビリティのトレードオフを達成できることが示されている。
関連論文リスト
- Interpolation-Based Optimization for Enforcing lp-Norm Metric Differential Privacy in Continuous and Fine-Grained Domains [9.320305401683438]
メートル微分プライバシ(mDP)は、ペア距離に基づいてプライバシー保証を適用することで、ローカル微分プライバシ(LDP)を一般化する。
既存の最適化に基づく手法は、粗いドメインにおけるユーティリティ損失を効果的に削減する。
このような領域で lp-norm mDP を最適化するための計算ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-15T00:12:54Z) - PAnDA: Rethinking Metric Differential Privacy Optimization at Scale with Anchor-Based Approximation [7.889420673572309]
我々は,距離微分プライバシー(mDP)のためのスケーラブルなフレームワークとして,アンカーベース分散近似(PAnDA)による摂動を提案する。
実世界の位置情報データセットの実験により、PAnDAは最大5,000レコードの秘密ドメインにスケールすることを示した。
論文 参考訳（メタデータ） (2025-09-10T16:14:08Z) - Aligned Divergent Pathways for Omni-Domain Generalized Person Re-Identification [30.208890289394994]
Person ReIDは、完全に監督され、ドメインが一般化された Person R e ID において著しく進歩している。
本稿では,Omni-Domain Generalization Person ReID(ODG-ReID)を提案する。
提案手法は,ベースアーキテクチャを元のバックボーンのテールをコピーしてマルチブランチ構造に変換する。
論文 参考訳（メタデータ） (2024-10-11T02:36:11Z) - Enhancing Scalability of Metric Differential Privacy via Secret Dataset Partitioning and Benders Decomposition [1.283608820493284]
メトリック微分プライバシー(mDP)は、新しいデータパラダイムとして機能するために、差分プライバシー(DP)の概念を拡張します。
道路網やグリッドマップ上の単語埋め込みや位置情報として符号化されたテキストデータなど、一般的なメートル法空間で表される秘密データを保護するように設計されている。
論文 参考訳（メタデータ） (2024-05-07T14:19:09Z) - UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。
まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。
次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文 参考訳（メタデータ） (2024-02-12T19:39:26Z) - Implicit Semantic Augmentation for Distance Metric Learning in Domain
Generalization [25.792285194055797]
ドメイン一般化(DG)は、1つ以上の異なるが関連するソースドメインのモデルを、目に見えないターゲットドメインに一般化することを目的としている。
既存のDG手法は、モデルの一般化能力のために、ソースドメインの多様性を促進する。
この研究は、特徴空間における暗黙のセマンティック拡張を適用して、ソースドメインの多様性を捉える。
論文 参考訳（メタデータ） (2022-08-02T11:37:23Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T08:06:50Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳（メタデータ） (2021-05-06T06:04:59Z) - Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain
Adaptive Semantic Segmentation [102.42638795864178]
セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。
対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。
その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。
モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
論文 参考訳（メタデータ） (2020-12-15T13:21:54Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:05:36Z)
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。