論文の概要: Differentially Private Semantic Plans for Aggregate Insight Generation
- arxiv url: http://arxiv.org/abs/2609.16283v1
- Date: Mon, 14 Sep 2026 19:39:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.214672
- Title: Differentially Private Semantic Plans for Aggregate Insight Generation
- Title（参考訳）: アグリゲートインサイト生成のための個人的セマンティックプラン
- Abstract要約: セマンティックな概念に対する集計と要約のための信頼できるキュレーターフレームワークであるtextttDP-SPIN を紹介する。
CFPBの苦情記事やAmazon All Beautyのレビュー,Yelpのレストランレビューにおいて,textttDP-SPINを記録レベルのプライバシで評価した。
- 参考スコア（独自算出の注目度）: 4.832750949021042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: \texttt{URANIA} provides end-to-end differential privacy (DP) for summaries of data-dependent clusters. However, its cluster--keyword release does not directly provide collection-wide aggregates for semantic concepts defined independently of the protected corpus. Records may express several concepts, records expressing the same concept may be assigned to different clusters, and cluster identities need not correspond across analyses. Consequently, cluster-level statistics do not directly provide comparable measurements of predefined concepts across collections or repeated analyses. We introduce \texttt{DP-SPIN}, a trusted-curator framework for aggregate measurement and summarization over semantic concepts fixed independently of the protected target records. Each record is mapped to a bounded sparse nonnegative vector over these concepts, whose sum forms a semantic sketch. A differentially private mechanism releases a semantic plan containing admitted concepts and noisy masses; normalized semantic-support values and support bins are obtained by post-processing. For user-level privacy, each user's aggregate contribution is clipped to a fixed bound. The language model receives only the plan and fixed decoding instructions, while a public verifier checks concept mentions, reported values, comparisons, and rank claims against the released plan. The final summary is differentially private by post-processing. We establish record- and user-level DP guarantees under add/drop and replacement adjacency. We evaluate \texttt{DP-SPIN} under record-level privacy on CFPB complaint narratives, Amazon All Beauty reviews, and Yelp restaurant reviews, and under user-level privacy on Amazon and Yelp. We compare \texttt{DP-SPIN} with non-private plan and summary references, DP keyword and category histogram baselines, and a \texttt{URANIA}-style baseline with a fixed public keyword vocabulary.
- Abstract（参考訳）: \texttt{URANIA}は、データ依存クラスタのサマリに対して、エンドツーエンドの差分プライバシー(DP)を提供する。
しかし、そのクラスタキーワードリリースは、保護されたコーパスとは独立して定義されたセマンティックな概念に対して、コレクションワイドなアグリゲーションを直接提供していない。
レコードはいくつかの概念を表現し、同じ概念を表現するレコードは異なるクラスタに割り当てられる。
したがって、クラスタレベルの統計は、コレクションや反復的な分析において、事前定義された概念を直接的に測定するものではない。
本稿では,保護対象レコードとは無関係に固定されたセマンティックな概念を集約し,要約するための信頼できるキュレータフレームワークである‘texttt{DP-SPIN} を紹介する。
各レコードはこれらの概念上の有界スパース非負ベクトルにマッピングされ、その和は意味的スケッチを形成する。
差分的にプライベートなメカニズムは、認識された概念とノイズ質量を含むセマンティックプランをリリースし、正規化されたセマンティックサポート値とサポートビンは後処理によって取得される。
ユーザレベルのプライバシでは、各ユーザの集約コントリビューションが固定バウンドにクリップされる。
言語モデルは、計画と固定された復号命令のみを受け取り、公開検証者は、公表された計画に対する概念言及、報告された値、比較、ランククレームをチェックする。
最終概要は後処理によって異なる。
我々は、追加/ドロップおよび代替隣接の下で、レコードレベルおよびユーザレベルのDP保証を確立する。
CFPBの苦情記事、Amazon All Beautyのレビュー、Yelpのレストランレビュー、およびAmazonとYelpのユーザーレベルのプライバシで、‘texttt{DP-SPIN}’の評価を行った。
本稿では,非プライベートプランと要約参照,DPキーワードとカテゴリヒストグラムのベースライン,および固定された公開キーワード語彙を持つtexttt{URANIA}スタイルのベースラインを比較した。
関連論文リスト
- A Maximum Entropy Implementation of Differential Privacy Under Linear Invariants [0.8021197489470758]
本稿では,確率 1 あるいは指数関数的に 1 に近いアグリゲーション不変量を維持する高エントロピー差分プライバシー実装を提案する。
この手法は、線形等式制約下での通常の混合モデルからのサンプリングの文脈で一般的に用いられる。
論文 参考訳（メタデータ） (2026-07-24T16:13:07Z) - Interpretable Coreference Resolution Evaluation Using Explicit Semantics [35.71215348826291]
CoNLL-F1のような集約統計量を用いて、参照分解能を評価する。
コア参照解決のためのセマンティック・エンハンスド・アセスメント・フレームワークを提案する。
我々のフレームワークは、集約されたメトリクスによって隠されたままの体系的な弱点を明らかにする。
論文 参考訳（メタデータ） (2026-05-11T14:20:16Z) - Urania: Differentially Private Insights into AI Use [102.27238986985698]
$Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。
結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
論文 参考訳（メタデータ） (2025-06-05T07:00:31Z) - Privacy-Preserving Conformal Prediction Under Local Differential Privacy [19.02072419946821]
局所微分プライバシー(LDP)に基づく2つの相補的アプローチを提案する。
最初のアプローチでは、ユーザーはモデルにアクセスするのではなく、k-aryランダム化応答を使用して入力機能と摂動ラベルを提供する。
厳格なプライバシー制約を強制する第2のアプローチでは、ユーザはバイナリ検索応答によって適合度スコアにノイズを加える。
論文 参考訳（メタデータ） (2025-05-21T16:29:44Z) - STAMP Your Content: Proving Dataset Membership via Watermarked Rephrasings [17.175065729425825]
STAMPはデータセットのメンバシップを検出するフレームワークである。
トレーニングデータに1回しか表示されない4つのベンチマークにおける汚染を,我々のフレームワークが検出できることが示される。
論文 参考訳（メタデータ） (2025-04-18T02:25:08Z) - Causal Unsupervised Semantic Segmentation [60.178274138753174]
教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。
本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
論文 参考訳（メタデータ） (2023-10-11T10:54:44Z) - Towards Realistic Zero-Shot Classification via Self Structural Semantic
Alignment [53.2701026843921]
大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。
本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。
本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-24T17:56:46Z) - Goal-Driven Explainable Clustering via Language Descriptions [50.980832345025334]
我々は新しいタスク定式化"Goal-Driven Clustering with Explanations"(GoalEx)を提案する。
GoalExは、ゴールと説明の両方を自由形式の言語記述として表現している。
提案手法は,従来の手法よりも精度が高く,目標に関連のある説明を導出する。
論文 参考訳（メタデータ） (2023-05-23T07:05:50Z) - SWING: Balancing Coverage and Faithfulness for Dialogue Summarization [67.76393867114923]
本稿では,自然言語推論(NLI)モデルを用いて,事実の不整合を回避し,カバレッジを向上させることを提案する。
我々は、NLIを用いて詳細なトレーニング信号を計算し、モデルがカバーされていない参照サマリーのコンテンツを生成することを奨励する。
DialogSumおよびSAMSumデータセットの実験により,提案手法の有効性が確認された。
論文 参考訳（メタデータ） (2023-01-25T09:33:11Z) - DetCLIP: Dictionary-Enriched Visual-Concept Paralleled Pre-training for
Open-world Detection [118.36746273425354]
本稿では,デザインされた概念辞書から知識の豊かさを生かして,オープンワールド検出のための並列視覚概念事前学習手法を提案する。
概念をそれらの記述で豊かにすることにより、オープンドメイン学習を促進するために、さまざまな概念間の関係を明確に構築する。
提案フレームワークは、例えばLVISデータセット上で、強力なゼロショット検出性能を示し、私たちのDetCLIP-TはGLIP-Tを9.9%向上させ、レアカテゴリで13.5%改善した。
論文 参考訳（メタデータ） (2022-09-20T02:01:01Z)
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。