論文の概要: Soft Voting for Policy-Aware Private Data Synthesis

• arxiv url: http://arxiv.org/abs/2610.11285v1
• Date: Thu, 08 Oct 2026 05:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.736588
• Title: Soft Voting for Policy-Aware Private Data Synthesis
• Title（参考訳）: 政策を考慮した私的データ合成のためのソフト投票
• Abstract要約: スペーサーポリシーは、メカニズムによって要求されるノイズを減らすことができるが、解放された統計が保護された代替品間で、任意のDP隣人よりも少ない場合に限られる。 温度平滑なソフト投票システムであるBF-Softを提案する。 狭い数値ポリシーの下での実際のデータセットと合成データセットでは、BF-Softは強力なプライバシー予算でハード投票と比較してエラーを減らすが、利点は弱い予算で逆になる。
• 参考スコア（独自算出の注目度）: 0.4915744683251149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blowfish privacy relaxes differential privacy (DP) by protecting only the attribute-value substitutions a data owner specifies as edges of a policy graph. A sparser policy can reduce the noise required by a mechanism, but only when the released statistic changes less across protected substitutions than across arbitrary DP neighbors. We study this question for evolutionary, nearest-neighbor DP synthesizers such as Private Evolution (PE) and its tabular instantiation Tab-PE, which score private records against a candidate population and release a noisy vote histogram. Their hard vote is constant inside each candidate's decision region and jumps at its boundary. Its policy-specific sensitivity therefore equals the full worst-case value whenever at least one protected substitution crosses a boundary, regardless of how short that substitution is. Because every round we examined contained such a substitution, the policy graph gave no reduction in noise. We propose BF-Soft, a temperature-smoothed soft vote whose response changes gradually with distance. Its sensitivity has a tight closed-form bound in the policy graph's reach and the temperature, independent of the number of candidates, and the bound can be computed once before synthesis. It also predicts from the policy alone when policy-aware smoothing cannot substantially reduce noise: protecting a flat categorical or binary attribute drives the reach to its maximum. On real and synthetic datasets under narrow numeric policies, BF-Soft reduces error relative to hard voting at strong privacy budgets, while the advantage reverses at weaker budgets. A public-data pilot predicts when soft voting is beneficial without spending private budget.
• Abstract（参考訳）: Blowfishのプライバシーは、データ所有者が規定する属性値置換のみをポリシーグラフのエッジとして保護することによって、差分プライバシー(DP)を緩和する。 スペーサーポリシーは、メカニズムによって要求されるノイズを減らすことができるが、解放された統計が保護された代替品間で、任意のDP隣人よりも少ない場合に限られる。 提案課題は,PE(Private Evolution)やTab-PE(Tab-PE)などのDPシンセサイザーに最も近い進化型DPシンセサイザーを用いて,候補集団に対して個人記録を採点し,ノイズの多い投票ヒストグラムを出力する手法である。 彼らの強硬な投票は、各候補者の決定領域内で一定であり、その境界線に飛び乗る。 したがって、政策固有の感度は、少なくとも1つの保護された置換が境界を越えるたびに、その置換がどれだけ短いかに関わらず、完全な最悪のケース値と等しい。 すべてのラウンドにそのような置換が含まれていたため、ポリシーグラフはノイズの低減を行なわなかった。 温度平滑なソフト投票システムであるBF-Softを提案する。 その感度は、ポリシーグラフのリーチと温度に厳密な閉形式バウンドを持ち、候補数とは独立であり、そのバウンドは合成の前に一度計算することができる。 また、ポリシー対応の平滑化がノイズを大幅に低減できない場合、ポリシーのみから予測する。 狭い数値ポリシーの下での実際のデータセットと合成データセットでは、BF-Softは強力なプライバシー予算でハード投票と比較してエラーを減らすが、利点は弱い予算で逆になる。 公開データパイロットは、個人予算を使わずに、ソフト投票が有益であることを予測します。

関連論文リスト

• Vanilla Policy Optimization Is Both Optimal and Differentially Private for Stochastic Contextual Bandits [90.0615995526802]
  我々は,バニラポリシーの最適化が,文脈的帯域幅において,ほぼ最適な後悔を実現するのに十分であることを示す。 我々は、$O(log T)$レグレッションコールとポリシーオーラクルスイッチのみを使用してバッチ化されたバージョンを開発し、プライベートレグレッションがどのように異なる文脈の帯域幅アルゴリズムを生成するかを示す。
  論文  参考訳（メタデータ） (2026-09-27T20:06:59Z)
• Primal-Dual Policy Optimization for Linear CMDPs with Adversarial Losses [0.8984888893275712]
  我々は、LogSumExpソフトマックスポリシーと呼ばれる新しいクラスのポリシーを導入し、実行します。 周期的ポリシーミキシングと正規化された二重更新という2つの新しいアルゴリズムコンポーネントは、被覆数と二重変数の両方を効果的に制御できる。
  論文  参考訳（メタデータ） (2026-05-12T05:02:02Z)
• LoRA and Privacy: When Random Projections Help (and When They Don't) [55.65932772290123]
  我々は、$S mapto M f(S)$ with $M sim W_d (1/r I_d, r)$という形のランダムマップである(ウィッシュアート)プロジェクション機構を導入し、その差分プライバシー特性について検討する。 ベクトル値が$f$の場合、付加雑音のない非漸近DP保証を証明し、ウィッシュアートのランダム性だけで十分であることを示す。 しかし,行列値クエリでは,ノイズフリーな環境では,そのメカニズムはDPではなく,その脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-01-29T13:43:37Z)
• Coverage Improvement and Fast Convergence of On-policy Preference Learning [67.36750525893514]
  言語モデルアライメントのためのオンラインのオンラインプライオリティ学習アルゴリズムは、オフラインのアルゴリズムよりも大幅に優れている。 我々は,サンプリング政策の包括的範囲が政治訓練を通じてどのように進展するかを分析する。 一般機能クラス設定における報奨蒸留のための原則的オンライン方式を開発した。
  論文  参考訳（メタデータ） (2026-01-13T10:46:06Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
  差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。 DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。 本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
  論文  参考訳（メタデータ） (2024-04-24T06:51:16Z)
• Provably Robust DPO: Aligning Language Models with Noisy Feedback [10.523790076060171]
  ランダムな選好フリップが存在する場合に、ポリシー最適化のための一般的なフレームワークを導入する。 本研究では,ノイズが平均値に与える影響を非バイアス化する新しい損失関数を設計し,その損失を騒音に頑健に抑えることで訓練を行う。 IMDb 感情生成と Anthropic's useful-harmless データセットを用いた実験により,rDPO はバニラ DPO と比較して好みラベルのノイズに対して頑健であることが示された。
  論文  参考訳（メタデータ） (2024-03-01T09:55:18Z)
• Enabling Trade-offs in Privacy and Utility in Genomic Data Beacons and Summary Statistics [26.99521354120141]
  要約データやBeaconの応答とプライバシを明示的にトレードオフするための最適化ベースのアプローチを導入します。 第一に、攻撃者はメンバーシップ推論のクレームを行うために確率比テストを適用する。 第2に、攻撃者は、個人間のスコアの分離に対するデータリリースの影響を考慮に入れたしきい値を使用する。
  論文  参考訳（メタデータ） (2023-01-11T19:16:13Z)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)

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。