論文の概要: Tight End-to-End Accounting for Differentially Private Synthetic Data

• arxiv url: http://arxiv.org/abs/2610.17249v1
• Date: Mon, 12 Oct 2026 18:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:35:29.657247
• Title: Tight End-to-End Accounting for Differentially Private Synthetic Data
• Title（参考訳）: 差分私的合成データのための厳密なエンドツーエンド会計
• Abstract要約: 異なるプライベート(DP)パイプラインは、しばしば異種機構を組み合わせるが、それらの保証は異なるプライバシー概念を用いて最もよく分析される。 この問題はDP合成データ生成において特に重要であり、データ前処理、生成アルゴリズム、DP-SGDは同じパイプライン内に現れる可能性がある。 プライバシ損失分布(PLD)、$f$-DP、Gaussian DP(GDP)を用いて、このような構成のエンドツーエンド会計を行うための新しいツールを開発する。
• 参考スコア（独自算出の注目度）: 16.564092809010813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentially private (DP) pipelines often combine heterogeneous mechanisms, yet their guarantees are best analyzed using different notions of privacy (e.g., bounded range, zCDP, ADP). When composing them, we have to analyze the guarantees through a reduced common representation that loses accounting precision. This issue is particularly relevant in DP synthetic data generation, where data preprocessing, generation algorithms, and DP-SGD could appear within the same pipeline. We develop novel tools for tight end-to-end accounting of such compositions using privacy loss distributions (PLD), $f$-DP, and Gaussian DP (GDP). In particular, we derive PLD and GDP analyses of bounded-range mechanisms such as the Exponential mechanism. Building on these theoretical results, we introduce AIM-GDP, a GDP-native variant of AIM (a state-of-the-art DP synthetic data mechanism) that enables easy composability with complex pipelines via PLD, attack-aware risk calibration, and tight end-to-end auditing while consistently achieving better utility; and MixCal, an algorithm for calibrating adaptive mixed compositions using PLD accounting. Overall, our tools enable tighter end-to-end accounting and thus less noise at the same privacy level in DP synthetic data pipelines.
• Abstract（参考訳）: 異なるプライベート(DP)パイプラインは、しばしば異種機構を組み合わせるが、それらの保証は、異なるプライバシーの概念(例えば、境界範囲、zCDP、ADP)を用いて最もよく分析される。 それらを構成する際には、会計精度を損なう共通表現を減らして保証を分析する必要がある。 この問題はDP合成データ生成において特に重要であり、データ前処理、生成アルゴリズム、DP-SGDは同じパイプライン内に現れる可能性がある。 本研究では、プライバシ損失分布(PLD)、$f$-DP、Gaussian DP(GDP)を用いて、このような構成のエンドツーエンド会計を行うための新しいツールを開発する。 特に,指数機構のような境界範囲機構のPLDおよびGDP分析を導出する。 これらの理論的な結果に基づいて、APM-GDP(最先端のDP合成データ機構)のGDPネイティブ版を導入し、PSDによる複雑なパイプラインのコンポーザビリティ、アタック・アウェア・リスク・キャリブレーション、エンド・ツー・エンド・エンド・オーディションの厳格化を実現しつつ、実用性を常に向上するアルゴリズムであるMixCalを紹介した。 全体として、当社のツールは、DP合成データパイプラインにおいて、エンド・ツー・エンドの会計をより厳格にし、同じプライバシレベルでノイズを低減します。

関連論文リスト

• Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing [0.4199844472131922]
  金属添加物製造は安全クリティカルな部品の製造を可能にするが、信頼性の高い品質保証は高忠実度センサストリームに依存する。 既存の欠陥検出モデルは、溶岩プールの観測を独立したサンプルとして扱い、層ワイドの物理的結合を無視している。 これらの課題に対処するためにFI-LDP-HGATを提案する。
  論文  参考訳（メタデータ） (2026-04-06T18:29:21Z)
• 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)
• Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning [27.52540933835594]
  機械学習(ML)アルゴリズムの差分プライバシーレベルを報告するための現在のプラクティスは、プライバシー保証の不完全で、潜在的に誤解を招く可能性がある。 我々は、非漸近的ガウス微分プライバシー(GDP)をMLにおけるDP保証を伝える主要な手段として使うことは、これらの潜在的な欠点を回避していると論じる。 本稿では,数値会計士を用いてGDPに非漸近的境界を与える方法を示し,GDPがDP-SGDおよび関連するアルゴリズムのプライバシープロファイル全体を,基準値によって定量化されているように,ほとんど誤差なくキャプチャできることを示す。
  論文  参考訳（メタデータ） (2025-03-13T23:06:30Z)
• Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
  非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。 当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
  論文  参考訳（メタデータ） (2024-03-19T17:54:49Z)
• 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)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。