論文の概要: Pattern-level Differential Privacy for High-utility Complex Event Processing

• arxiv url: http://arxiv.org/abs/2609.23827v1
• Date: Sun, 20 Sep 2026 19:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:18:08.674236
• Title: Pattern-level Differential Privacy for High-utility Complex Event Processing
• Title（参考訳）: 高ユーティリティ複合イベント処理のためのパターンレベルの微分プライバシー
• Abstract要約: 複雑なイベント処理(CEP)システムにおける現在のプライバシ保護機構(PPM)は、必然的に制限される。 本稿では,保護されていないデータストリームに付加されるノイズを動的に適応させることにより,検出されたイベントパターンの有用性を向上させる,CEPシステムにおけるプライバシ保護のための新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.0117085784914623
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current privacy-preserving mechanisms (PPMs) in Complex Event Processing (CEP) systems are unnecessarily restrictive, reducing the utility of data received by data consumers. This article presents a novel approach to preserve privacy in CEP systems, improving the utility of detected event patterns by dynamically adapting the noise added to an unprotected data stream. We introduce a new guarantee named pattern-level differential privacy (DP), which enables us to apply and compare the strength of PPMs at the pattern level. We propose new pattern-level PPMs yielding pattern-level DP and analyze different trust settings of these PPMs and their requirements for context knowledge in the CEP system, e.g., the deployed queries. Our evaluation is based on three datasets (two real-world, one synthetic) and shows that the proposed PPMs increase data utility while preserving the same privacy level as the state-of-the-art PPMs. We use simulations to study the performance of our proposed PPMs in various practical scenarios. Furthermore, we demonstrate that computational complexity is not an obstacle to deployment.
• Abstract（参考訳）: 複雑なイベント処理(CEP)システムにおける現在のプライバシ保護機構(PPM)は、必要以上に制限され、データコンシューマーが受信するデータの有用性が低下する。 本稿では,保護されていないデータストリームに付加されるノイズを動的に適応させることにより,検出されたイベントパターンの有用性を向上させる,CEPシステムにおけるプライバシ保護のための新しいアプローチを提案する。 パターンレベル差分プライバシー(DP)と呼ばれる新しい保証を導入し、パターンレベルでのPPMの強度を適用および比較できるようにする。 パターンレベルのDPを出力する新しいパターンレベルのPPMを提案し、これらのPPMの異なる信頼設定とCEPシステムにおけるコンテキスト知識の要求、例えば、デプロイされたクエリを解析する。 評価は3つのデータセット(実世界2つ、合成1つ)に基づいており、提案したPPMは、最先端のPPMと同じプライバシレベルを維持しながら、データの有用性を高めていることを示す。 シミュレーションを用いて,提案したPPMの性能を様々なシナリオで検証する。 さらに、計算複雑性がデプロイメントの障害ではないことも示しています。

関連論文リスト

• Beyond Latency: A System-Level Characterization of MPC and FHE for PPML [13.229663073793867]
  プライバシ保護機械学習における3つの一般的なアプローチを統一的に評価する。 LANおよびWAN環境,モデルサイズ,バッチサイズ,入力シーケンスの長さなどについて検討する。 我々は、これらのプライバシ保護コンピューティングパラダイムを選択し、最適化し、デプロイするための実証的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-31T19:18:52Z)
• Robust Single-message Shuffle Differential Privacy Protocol for Accurate Distribution Estimation [29.22457447003792]
  シュッフルDPフレームワークである純粋シャッフルモデルに基づく分散推定について,強いセキュリティ仮定を伴わずに検討した。 本稿では, 単一メッセージ型テキストタダプティブ・シャフラー・プロトコル(ASP)を提案する。
  論文  参考訳（メタデータ） (2026-03-05T11:40:26Z)
• 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)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Certifiably Robust Policies for Uncertain Parametric Environments [57.2416302384766]
  本稿ではパラメータ上の未知分布を持つパラメトリックマルコフ決定プロセス(MDP)に基づくフレームワークを提案する。 パラメータによって誘導される未知のサンプル環境に対するIMDPの学習と解析を行う。 当社のアプローチは,信頼度の高い政策のパフォーマンスに厳密な拘束力をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-06T10:48:15Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
  我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。 Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。 大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
  論文  参考訳（メタデータ） (2023-10-04T19:30:49Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• PMP: Privacy-Aware Matrix Profile against Sensitive Pattern Inference for Time Series [12.855499575586753]
  本稿では,長文パターンに対する悪質な推論の防止という,新たなプライバシ保護問題を提案する。 マトリックスプロファイル(MP)は具体的な形状の漏洩を防止できるが,MPインデックスの正準相関はなおも感度の高い長パターンの位置を明らかにすることができる。 局所相関を摂動し,MPインデックスベクトルの正準相関を破るPMP(Privacy-Aware Matrix Profile)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T22:11:38Z)

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。