論文の概要: PrivCert: Certifying Statement Support under Differential Privacy

• arxiv url: http://arxiv.org/abs/2609.38934v1
• Date: Wed, 30 Sep 2026 04:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.164165
• Title: PrivCert: Certifying Statement Support under Differential Privacy
• Title（参考訳）: PrivCert: 異なるプライバシの下でのステートメントサポートの認定
• Abstract要約: プライバシ保護レポートのためのフレームワークであるPrivCertを紹介する。 PrivCert-PFは、データに依存しない候補発見とプライベートサポート認定を分離する。 自由文DPベースラインは低支持の主張を頻繁に生み出す一方、明示的な認証は低支持の排出を維持していることを示す。
• 参考スコア（独自算出の注目度）: 5.944280282375651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentially private (DP) text generation can protect individual records, but privacy alone does not specify what evidence a released statement carries about the underlying data. We identify this as an evidence gap: a private report may contain plausible claims without indicating whether they are strongly supported by the private dataset. We introduce PrivCert, a framework for privacy-preserving reporting that makes statement support explicit through privacy-preserving certificates and emit-or-abstain decisions. As a canonical instantiation, PrivCert-PF (Proposal-and-Filter) separates data-independent candidate discovery from private support certification, emitting only statements whose support passes a private evidence test. We provide theoretical grounding for this framework by characterizing the limits of implicit evidence under DP, deriving a sharp privacy--honesty frontier for single-statement certification, and establishing a worst-case cost for fine-grained multi-statement certification. Experiments on synthetic tasks and TAB, WildChat, and Yelp show that explicit certification maintains low unsupported emission, while free-text DP baselines frequently produce low-support claims under the same declared support semantics. We further show that the PrivCert contract can be realized with histogram, sparse-vector, and Gaussian mechanisms, and use DP synthetic data to illustrate an important boundary: support in a private proxy does not automatically certify support in the original data. Together, these results position privacy-preserving reporting as an evidence-design problem: not only how to generate private text, but what a private report can substantiate about its underlying data.
• Abstract（参考訳）: 差分的プライベート(DP)テキスト生成は個々のレコードを保護できるが、プライバシだけでは、公開声明が基盤となるデータにどのような証拠をもたらすかは特定していない。 プライベートレポートは、プライベートデータセットに強く支持されているかどうかを示さずに、妥当なクレームを含む可能性がある。 私たちはプライバシ保護レポートのためのフレームワークであるPrivCertを紹介します。 標準的なインスタンス化として、PrivCert-PF(Proposal-and-Filter)は、データ非依存の候補発見をプライベートサポート認定から切り離し、プライベートエビデンステストに合格したステートメントのみを発行する。 本稿では,DPの下での暗黙的な証拠の限界を特徴づける理論的根拠として,一項認証のプライバシーを最優先するフロンティアを導き,さらに細粒度認証の最悪のコストを確立することを挙げる。 合成タスクやTAB、WildChat、Yelpの実験では、明示的な認証が低サポートエミッションを維持している一方、自由テキストDPベースラインは、同じ宣言されたサポートセマンティクスの下で、しばしば低サポートクレームを生成する。 さらに、PrivCert契約はヒストグラム、スパースベクター、ガウス機構で実現可能であることを示し、DP合成データを用いて重要な境界を示す。 これらの結果は、プライバシー保護レポートをエビデンス設計の問題として位置づけている。

関連論文リスト

• On the Differential Privacy and Interactivity of Privacy Sandbox Reports [78.85958224681858]
  GoogleのPrivacy Sandboxイニシアチブには、プライバシ保護広告機能を実現するAPIが含まれている。 これらのAPIのプライバシを分析するための抽象モデルを提供し、それらが正式なDP保証を満たすことを示す。
  論文  参考訳（メタデータ） (2024-12-22T08:22:57Z)
• Certification for Differentially Private Prediction in Gradient-Based Training [36.686002369773014]
  非私的モデルの出力にノイズを加えることによって、差分プライバシーが達成されるプライベート予測について検討する。 既存の方法は、モデルのグローバルな感度に比例したノイズに依存しており、多くの場合、プライベートトレーニングと比較して、準最適プライバシーユーティリティトレードオフをもたらす。 本稿では,凸緩和法と有界伝播法を利用して,データセット固有の上限値の予測感度を計算するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T10:47:00Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• The Inadequacy of Similarity-based Privacy Metrics: Privacy Attacks against "Truly Anonymous" Synthetic Datasets [12.730435519914415]
  実世界の合成データデプロイメントで使用されるプライバシメトリクスを調べ、その信頼性をいくつかの点で実証する。 ReconSynは、メトリクスによってプライベートと見なされるが、個々のレコードに固有の情報をリークする複数の合成データセットを生成するリコンストラクション攻撃である。 ReconSynは列車データから78-100%のアウトレーヤを復元し、ブラックボックスアクセスのみを1つの適合した生成モデルとプライバシメトリクスに含める。
  論文  参考訳（メタデータ） (2023-12-08T15:42:28Z)
• Privately Answering Queries on Skewed Data via Per Record Differential Privacy [8.376475518184883]
  我々はプライバシ・フォーマリズムを提案し、PzCDP(0集中差分プライバシー)を記録単位とする。 異なるレコードに対して異なるプライバシー損失を提供する他の形式主義とは異なり、PRzCDPのプライバシー損失は機密データに明示的に依存する。
  論文  参考訳（メタデータ） (2023-10-19T15:24:49Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)

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。