論文の概要: Efficient Provably Private Classification with a Tabular Foundation Model

• arxiv url: http://arxiv.org/abs/2610.10068v1
• Date: Wed, 07 Oct 2026 13:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.93804
• Title: Efficient Provably Private Classification with a Tabular Foundation Model
• Title（参考訳）: 語彙基礎モデルを用いた有意な個人分類
• Abstract要約: PrivTabは、微分プライベートな分類に簡単に使える基礎モデルである。 アーキテクチャにはプライバシーメカニズムが組み込まれている。 PrivTabは、中途半端なプライバシの下で、プライベートリニアとニューラルネットワークのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 23.884610138738783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular data underpin prediction and decision-making in medicine, finance, government and science, but often contain sensitive individual-level information, creating a need for accurate prediction while preserving privacy. Traditional private learning provides formal privacy guarantees, but requires slow dataset-specific optimisation, suffers substantial utility loss under strong privacy, and is often difficult to apply correctly. Tabular foundation models adapt rapidly to new datasets, but existing models lack formal privacy guarantees, and are highly vulnerable to membership-inference attacks, limiting their use on sensitive data. Here we introduce PrivTab, an easy to use tabular foundation model for differentially private classification that embeds a privacy mechanism within its architecture. Pretrained on simulated datasets, PrivTab uses in-context learning to transform sensitive rows into compact, provably private summaries---effectively learning how to learn under privacy. PrivTab outperforms private linear and neural-network baselines under moderate-to-strong privacy, shows negligible membership leakage, maintains well-calibrated predictions under strong privacy, and reduces dataset fitting time by 10,000 times, requiring only a single forward pass. By combining formal privacy, speed, and easy of use, PrivTab brings recent advances in AI to applications where sensitive individual-level data have limited their adoption.
• Abstract（参考訳）: タブラルデータは医学、金融、政府、科学における予測と意思決定を支えているが、機密性の高い個人レベルの情報を含んでいることが多く、プライバシーを維持しながら正確な予測を行う必要がある。 従来のプライベート学習は、正式なプライバシ保証を提供するが、データセット固有の最適化を遅くし、強力なプライバシの下でかなりのユーティリティ損失を被り、しばしば正しく適用することが困難である。 タブラル基礎モデルは、新しいデータセットに急速に適応するが、既存のモデルは正式なプライバシ保証がなく、メンバーシップ推論攻撃に対して非常に脆弱であり、機密データに対する使用を制限する。 ここではPrivTabを紹介します。PrivTabは、アーキテクチャ内にプライバシメカニズムを組み込んだ、微分プライベートな分類のための表形式の基盤モデルです。 シミュレーションデータセットに基づいてトレーニングされたPrivTabは、センシティブな行をコンパクトかつ実証可能なプライベートな要約に変換するために、コンテキスト内学習を使用する。 PrivTabは、中程度のプライバシの下でプライベートリニアとニューラルネットワークのベースラインを上回り、無視可能なメンバシップのリークを示し、強いプライバシの下で適切に校正された予測を維持し、データセットのフィッティング時間を1万回削減し、1回のフォワードパスしか必要としない。 正式なプライバシとスピード、使いやすさを組み合わせることで、PrivTabは、機密性の高い個人レベルのデータが採用を制限するアプリケーションに、AIの最近の進歩をもたらす。

関連論文リスト

• Privacy Amplification by Missing Data [4.9024539661445825]
  差分プライバシーの枠組みの中で、欠落したデータをプライバシー増幅機構として分析する。 我々は、不完全なデータが、微分プライベートアルゴリズムのプライバシーの増幅をもたらすことを初めて示している。
  論文  参考訳（メタデータ） (2026-02-02T10:28:41Z)
• PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data [49.35645194884526]
  差分プライバシーを保証する実用的なATE推定フレームワークであるPrivATEを紹介する。 プライバシの異なるプライバシ要件を満たすために、プライバシ保護の2つのレベル(ラベルレベルとサンプルレベル)をPrivATEで設計する。 PrivATEはノイズによるエラーとマッチングエラーを効果的にバランスさせ、ATEをより正確に見積もる。
  論文  参考訳（メタデータ） (2025-12-16T16:30:07Z)
• FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation [4.772368796656325]
  実際には、制御されたデータアクセスは、多くの産業や研究環境でデータプライバシを保護する主要な方法である。 我々は,FT-PrivacyScoreのプロトタイプを開発し,モデル微調整作業に参加する際のプライバシーリスクを効率よく定量的に推定できることを実証した。
  論文  参考訳（メタデータ） (2024-10-30T02:41:26Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
  大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。 公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
  論文  参考訳（メタデータ） (2022-12-13T10:41:12Z)
• 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)
• Momentum Gradient Descent Federated Learning with Local Differential Privacy [10.60240656423935]
  ビッグデータの時代、個人情報のプライバシーはより顕著になった。 本稿では,機械学習モデルの性能向上のために,フェデレーション学習と局所差分プライバシーをモーメント勾配勾配下で統合することを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:30:38Z)
• Personalized PATE: Differential Privacy for Machine Learning with Individual Privacy Guarantees [1.2691047660244335]
  トレーニングデータ内に、パーソナライズされたプライバシ保証の異なるMLモデルのトレーニングを支援する3つの新しい方法を提案する。 実験により, 個人化されたプライバシ手法は, 非個人化されたベースラインよりも高い精度のモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2022-02-21T20:16:27Z)

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。