論文の概要: Task-aware Kernel Stein certificates for Rényi differential privacy
- arxiv url: http://arxiv.org/abs/2610.23798v2
- Date: Mon, 19 Oct 2026 08:43:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 06:32:45.33819
- Title: Task-aware Kernel Stein certificates for Rényi differential privacy
- Title（参考訳）: Rényi差分プライバシーのためのタスク対応カーネルスタイン証明書
- Abstract要約: Rnyiの相違に基づくRnyi差分プライバシーは、プライバシー保証の選択概念となっている。
特にRnyiの差分プライバシーは、Rnyi Pufferfishのプライバシーのようにタスク固有の情報を悪用することを保証している。
ここでは、Rnyi差分プライバシの証明書を提供するために、エスコートディストリビューションに基づいたカーネルSteinの相違を利用しています。
- 参考スコア（独自算出の注目度）: 1.9499120576896225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rènyi differential privacy, based on Rènyi divergence, has become a notion of choice for privacy guarantees. However, outside the Gaussian setting, Rènyi divergence can be difficult to compute. In particular, Rènyi differential privacy guarantees that exploit task-specific information, as in Rènyi Pufferfish privacy, can be challenging. Here we use kernel Stein discrepancies based on escort distributions to provide certificates for Rènyi differential privacy. By designing the kernel to focus on the relevant privacy directions, we also derive task-aware privacy certificates. We provide exact identities for Gaussian and Laplace mechanisms and bounds for exponential mechanisms, with separate task-aware guarantees. A real data set example illustrates how the protected comparison set and the released subspace jointly determine the resulting certificates.
- Abstract（参考訳）: Rènyiの相違に基づくRènyi差分プライバシーは、プライバシ保証の選択概念となっている。
しかし、ガウスのセッティングの外では、レーニイの発散は計算が難しい。
特に、Rènyiの差分プライバシーは、Rènyi Pufferfishのプライバシーのようにタスク固有の情報を活用することは困難である。
ここでは、護衛ディストリビューションに基づいたカーネルSteinの相違を利用して、Rènyiの差分プライバシの証明書を提供します。
カーネルを設計して、関連するプライバシの方向性に焦点を当てることで、タスク対応のプライバシ証明書も導き出します。
ガウスとラプラスの機構と指数的機構のバウンダリに対して、個別のタスク認識保証とともに正確な同一性を提供する。
実際のデータセットの例は、保護された比較セットと解放されたサブスペースが結果の証明書を共同で決定する様子を示しています。
関連論文リスト
- Accuracy-First Rényi Differential Privacy and Post-Processing Immunity [11.418000446867135]
精度優先の観点からの既存の研究は、後処理免疫として知られる差分プライバシーの重要な特性を無視している。
後処理免疫を有するR'enyi差分プライバシーに基づく新しい定義を提案する。
論文 参考訳（メタデータ） (2025-09-26T11:27:36Z) - Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。
本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。
サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
論文 参考訳（メタデータ） (2024-03-07T19:36:05Z) - Adaptive Privacy Composition for Accuracy-first Mechanisms [55.53725113597539]
ノイズ低減機構はますます正確な答えを生み出す。
アナリストは、公表された最も騒々しい、あるいは最も正確な回答のプライバシー費用のみを支払う。
ポスト前のプライベートメカニズムがどのように構成されるかは、まだ研究されていない。
我々は、分析者が微分プライベートとポストプライベートのメカニズムを適応的に切り替えることのできるプライバシーフィルタを開発した。
論文 参考訳（メタデータ） (2023-06-24T00:33:34Z) - In Differential Privacy, There is Truth: On Vote Leakage in Ensemble
Private Learning [42.34839009553982]
本研究では,PATE予測を行うノイズを用いることで,機密情報の漏洩の新たな形態を実現できることを示す。
我々の敵は、この事実を利用して、基礎となる教師が提出した投票の高忠実度ヒストグラムを抽出する。
これは、差別的なプライバシーをパナセアとして扱うのではなく、プライバシーを公平に考慮する将来の作業を促進することを願っている。
論文 参考訳（メタデータ） (2022-09-22T02:07:21Z) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳（メタデータ） (2022-09-08T22:43:50Z) - Privacy Amplification via Shuffled Check-Ins [2.3333090554192615]
シャッフルチェックインと呼ばれる分散計算のためのプロトコルについて検討する。
信頼できるシャフラー以上の信頼の前提を必要とせずに、強力なプライバシー保証を実現する。
シャッフルされたチェックインは、プライバシーの強化によって、厳格なプライバシー保証を実現する。
論文 参考訳（メタデータ） (2022-06-07T09:55:15Z) - Debugging Differential Privacy: A Case Study for Privacy Auditing [60.87570714269048]
監査は、微分プライベートなスキームの欠陥を見つけるためにも利用できることを示す。
このケーススタディでは、微分プライベートなディープラーニングアルゴリズムの最近のオープンソース実装を監査し、99.9999999999%の信頼を得て、この実装が要求される差分プライバシー保証を満たさないことを発見した。
論文 参考訳（メタデータ） (2022-02-24T17:31:08Z)
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。