論文の概要: Beyond Monolithic Perturbation: Heterogeneous Mechanism Design for Multi-Attribute Metric Differential Privacy

• arxiv url: http://arxiv.org/abs/2610.05561v1
• Date: Sun, 04 Oct 2026 21:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:04:52.207285
• Title: Beyond Monolithic Perturbation: Heterogeneous Mechanism Design for Multi-Attribute Metric Differential Privacy
• Title（参考訳）: モノリシック摂動を超える摂動:多属性メトリック差分プライバシーのための不均一なメカニズム設計
• Abstract要約: マルチ属性mDPのためのフレームワークであるDepHDP(Dependency-aware Heterogeneous Data Perturbation)を提案する。 依存性を意識した属性グループ化と不均一な摂動設計を組み合わせる。 DepHDPは、全記録OPTよりも低い計算コストで、均一なベースラインに対するプライバシーとユーティリティのトレードオフを改善する。
• 参考スコア（独自算出の注目度）: 7.019683407682642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-attribute user records are inherently heterogeneous, often combining continuous, categorical, and binary attributes, and they frequently exhibit strong cross-attribute dependencies. Designing high-utility metric differential privacy (mDP) mechanisms for such records is challenging. Simple predefined mechanisms, such as distance-based noise, may be poorly aligned with task-specific utility loss, whereas fully optimization-based mechanisms can be computationally prohibitive for multi-attribute records. We propose Dependency-aware Heterogeneous Data Perturbation (DepHDP)}, a framework for multi-attribute mDP that combines dependency-aware attribute grouping with heterogeneous perturbation design. Rather than applying a one-size-fits-all mechanism, DepHDP selects an appropriate perturbation strategy for each attribute or attribute group, choosing between efficient predefined mechanisms, such as Laplace or Exponential mechanisms, and optimization-based designs. This selection is guided by both domain size and a predefined-noise adequacy criterion, which quantifies whether task-induced utility loss can be well explained by perturbation magnitude. To support scalable end-to-end optimization, DepHDP estimates group-level utility loss through sampling and lightweight surrogate modeling, and jointly optimizes privacy-budget allocation and group-wise mechanism design under a global $\ell_p$-metric mDP constraint. Across three case studies, DepHDP improves privacy--utility trade-offs over uniform baselines at lower computational cost than full-record OPT on evaluated domains.
• Abstract（参考訳）: マルチ属性のユーザレコードは本質的に異質であり、しばしば連続的、分類的、バイナリ属性を組み合わせる。 このようなレコードに対する高ユーティリティメトリックディファレンシャルプライバシ(mDP)機構の設計は困難である。 距離ベースノイズのような単純な事前定義されたメカニズムはタスク固有のユーティリティ損失と整合性に乏しいが、完全に最適化されたメカニズムはマルチ属性レコードに対して計算的に禁止される。 従属型属性グループと不均一な摂動設計を組み合わせたマルチ属性mDPのためのフレームワークDepHDP(Dependency-aware Heterogeneous Data Perturbation)を提案する。 DepHDPは、一つの大きさの全てのメカニズムを適用するのではなく、各属性や属性グループに対して適切な摂動戦略を選択し、LaplaceやExponentialなどの効率的な事前定義されたメカニズムと最適化ベースの設計を選択できる。 この選択は、ドメインサイズと事前定義された雑音の妥当性基準の両方で導かれ、これは摂動のマグニチュードによってタスクによって引き起こされるユーティリティ損失が十分に説明できるかどうかを定量化する。 スケーラブルなエンドツーエンド最適化をサポートするため、DepHDPはサンプリングと軽量サロゲートモデリングを通じてグループレベルのユーティリティ損失を推定し、グローバルな$\ell_p$-metric mDP制約の下で、プライバシ予算割り当てとグループワイズメカニズム設計を共同で最適化する。 3つのケーススタディの中で、DepHDPは、評価ドメイン上の全記録OPTよりも低い計算コストで、均一なベースラインに対するプライバシーとユーティリティのトレードオフを改善する。

関連論文リスト

• Multi-tier Differential Private Query Release [57.049084914202275]
  複数のアナリストが同じクエリを発行し、異なるプライバシ予算の下で生成された回答を受け取る。 このような多層DPクエリに対する既存のアプローチは、過剰な累積プライバシー損失を発生させるか、あるいは準最適ユーティリティに悩まされる。 本稿では,全てのクエリにおいて最大プライバシー予算で累積プライバシー損失を同時に拘束する多層DPクエリリリースのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-14T02:10:22Z)
• Frequency Estimation of Correlated Multi-attribute Data under Local Differential Privacy [5.258253745672122]
  ローカル微分プライバシー(LDP)は、ユーザのデータプライバシを保護する強力なツールである。 既存のLDPメカニズムは、すべての属性にプライバシ予算を分割するか、それぞれの属性を独立して扱うかのいずれかである。 我々は属性間の相関を利用して実用性を大幅に向上する新しいLCP機構であるCorrelated Randomized Response (Corr-RR)を提案する。
  論文  参考訳（メタデータ） (2025-07-23T13:52:45Z)
• Achieving PAC Guarantees in Mechanism Design through Multi-Armed Bandits [8.013444110633223]
  自動機構設計のための線形プログラム(LP)に最適解のクラスを解析的に導出する。 これらの解は、元の定式化における変数の総数よりも指数関数的に小さい基本変数の集合を用いて表すことができる。 本稿では,この用語の評価をマルチアーム・バンディット(MAB)問題に翻訳することでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-11-30T03:59:36Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Bilateral Dependency Optimization: Defending Against Model-inversion Attacks [61.78426165008083]
  本稿では,モデル反転攻撃に対する二元的依存性最適化(BiDO)戦略を提案する。 BiDOは、さまざまなデータセット、分類器、MI攻撃に対する最先端の防御性能を達成する。
  論文  参考訳（メタデータ） (2022-06-11T10:07:03Z)

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。