論文の概要: Empirical Analysis of Randomness Quality in Differential Privacy Mechanisms

• arxiv url: http://arxiv.org/abs/2609.20561v1
• Date: Thu, 17 Sep 2026 15:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.349205
• Title: Empirical Analysis of Randomness Quality in Differential Privacy Mechanisms
• Title（参考訳）: 差分プライバシー機構におけるランダム品質の実証分析
• Abstract要約: 微分プライバシーは、統計分析において個人のプライバシーを保護するために慎重に調整されたランダムノイズに依存している。 我々は,IBM の DiffPrivLib を用いて,ランダム性品質が差分プライバシー機構に与える影響について,系統的研究を行った。
• 参考スコア（独自算出の注目度）: 4.016419044513359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential Privacy (DP) relies on carefully calibrated random noise to protect individual privacy in statistical analyses. While theoretical work has analyzed DP under weakened randomness assumptions, the practical consequences of entropy degradation remain poorly understood. We present a systematic empirical investigation of how randomness quality affects differential privacy mechanisms using IBM's DiffPrivLib. We introduce progressively degraded entropy sources characterized by established test suites, starting from high-quality quantum True Random Number Generators (TRNGs) and cryptographically secure Pseudo-Random Number Generators (PRNGs) down to systematically manipulated sources with controlled entropy degradation. Through repeated experiments over one million queries on a reference database and complementary statistical tests, we directly analyze empirical Privacy Loss Random Variable distributions. Our results demonstrate that DP mechanisms reliably detect deviations when approximately 1 bit in every 8 to 16 is manipulated, with detection sensitivity varying significantly between bit-level biases and temporal correlations. We demonstrate that statistical detection of distributional anomalies does not necessarily correspond to actual privacy guarantee violations.
• Abstract（参考訳）: 差分プライバシー(DP)は、統計分析において個人のプライバシーを保護するために慎重に調整されたランダムノイズに依存している。 理論的な研究はDPをランダム性仮定の弱さの下で分析してきたが、エントロピー劣化の実践的な結果はまだよく分かっていない。 我々は,IBM の DiffPrivLib を用いて,ランダム性品質が差分プライバシー機構に与える影響について,系統的研究を行った。 本稿では,高品質な量子乱数発生器(TRNG)と暗号的にセキュアな擬似乱数発生器(PRNG)から,制御エントロピー劣化を伴う系統的に操作されたソースまで,確立されたテストスイートを特徴とする漸進的に劣化したエントロピー源を紹介する。 参照データベース上の100万以上のクエリと補完的な統計的テストを繰り返して、経験的プライバシ損失ランダム変数分布を直接解析する。 その結果,DP機構は8～16のほぼ1ビットでずれを確実に検出でき,検出感度はビットレベルの偏差と時間的相関で大きく異なることがわかった。 分布異常の統計的検出は必ずしも実際のプライバシー保証違反と一致しないことを示す。

関連論文リスト

• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• Quantum Random Number Generator with Internal Consistency Check and Public Verification [0.0]
  量子乱数生成器は、量子プロセスに基づく真の物理ランダム性を提供し、暗号および科学応用に必須である。 受動光学部品のみを利用する単純なループビームスプリッタアーキテクチャに基づくシステムを提案する。 本装置は、検出確率比の安定性から導かれる本質的な自己検査機構を備え、正しい動作の連続的検証を可能にする。
  論文  参考訳（メタデータ） (2025-10-30T12:06:55Z)
• Differentially Private Random Feature Model [47.35176457481132]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Delegated verification of quantum randomness with linear optics [0.0]
  量子力学は予測不可能性の観点からエントロピー源の最高の性質を提供する。 本稿では,ランダムビットの秘密性を損なうことなく,第三者が統計的テストを行うことを可能にする手法を提案する。
  論文  参考訳（メタデータ） (2024-11-29T13:11:01Z)
• Differentially Private Communication of Measurement Anomalies in the Smart Grid [4.021993915403885]
  本稿では,差分プライバシ(DP)に基づく電力測定を問合せし,システム異常や悪いデータを検出するフレームワークを提案する。 我々のDPアプローチは,不信頼な第三者が異常の仮説を検証できるようにしながら,消費とシステムマトリックスデータを隠蔽する。 本稿では,電力注入やシステムマトリクスに関するプライベート情報を明らかにしない新しいDPチ方形ノイズ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-04T18:55:16Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size [24.149533870085175]
  我々は、Renyi差分プライバシーとして知られる、差分プライバシーのわずかな変種の下で、シーケンシャル仮説テスト問題を研究する。 我々は,Wald's Sequential Probability Ratio Test (SPRT)に基づく新たなプライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-10T04:15:50Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。