論文の概要: DISTA-LP: Privacy-Preserving Distributed Linear Programming for Metric Differential Privacy

• arxiv url: http://arxiv.org/abs/2610.27615v1
• Date: Tue, 20 Oct 2026 04:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.633435
• Title: DISTA-LP: Privacy-Preserving Distributed Linear Programming for Metric Differential Privacy
• Title（参考訳）: DISTA-LP: メトリクス差分プライバシのためのプライバシ保護分散線形プログラミング
• Abstract要約: DISTA-LPは、プライバシを保存する分散mDP最適化フレームワークである。 DisTA-LPは、原係数のアップロードをコンパクトなサロゲートパラメータ化に置き換える。 大規模な実世界の道路ネットワークデータセットの実験では、disTA-LPがほぼゼロのmDP違反率を達成することが示されている。
• 参考スコア（独自算出の注目度）: 45.592928258913524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Linear-programming (LP) mechanisms for metric differential privacy (mDP) enable fine-grained, task-aware utility control, but they are computationally expensive and become privacy-fragile in distributed settings: uploading user-specific LP coefficient matrices (e.g., distance and loss blocks) to a central solver can itself leak sensitive information. We present DISTA-LP, a privacy-preserving distributed mDP optimization framework that replaces raw coefficient uploads with compact surrogate parameterizations and releases only calibrated, perturbed parameter vectors, thereby reducing both upload-stage leakage and problem dimensionality. On the server side, DISTA-LP reconstructs approximate coefficients and solves a scalable mastersubproblem formulation via Benders decomposition. To certify end-to-end privacy, we introduce a probabilistic mDP (PmDP) auditor that empirically quantifies the privacy loss induced by parameter release, allocates the required privacy budget prior to optimization, and composes it with the downstream mechanism to obtain an end-to-end mDP guarantee. Experiments on large realworld road-network datasets (Rome, New York City, and London) show that DISTA-LP achieves near-zero mDP violation rates, substantially reduces computation time compared to monolithic and hybrid baselines, and matches or improves utility, thereby demonstrating stronger upload privacy and significantly improved scalability.
• Abstract（参考訳）: 距離差分プライバシ(mDP)のための線形プログラミング(LP)機構は、細粒度でタスク対応のユーティリティ制御を可能にするが、計算コストが高く、分散設定ではプライバシ・フレジブルになる。 プライバシ保護のための分散mDP最適化フレームワークであるdisTA-LPを提案する。これは、原係数アップロードをコンパクトなサロゲートパラメータ化に置き換え、キャリブレーションされた摂動パラメータベクトルのみをリリースし、アップロードステージのリークと問題次元の両面を削減する。 サーバ側では、DITA-LPは近似係数を再構成し、ベンダー分解によるスケーラブルなマスターサブプロブレムの定式化を解決する。 エンドツーエンドのプライバシを認証するために,パラメータリリースによるプライバシ損失を実証的に定量化し,最適化に先立って必要なプライバシ予算を割り当てる確率的mDP監査器を導入する。 大規模な現実世界のロードネットワークデータセット(Rome、New York City、London)の実験では、disTA-LPは、ほぼゼロのmDP違反率を実現し、モノリシックおよびハイブリッドベースラインと比較して計算時間を大幅に短縮し、実用性にマッチまたは改善し、アップロードプライバシの強化とスケーラビリティの向上を実現している。

関連論文リスト

• LDP-Slicing: Local Differential Privacy for Images via Randomized Bit-Plane Slicing [6.771655378222877]
  ローカル微分プライバシ(LDP)は、プライバシ保護機械学習のゴールドスタンダードトラストモデルである。 LDP機構は低次元データのために設計されており、高次元画素空間に適用した場合に顕著な実用性劣化をもたらす。 LDP-Slicingは、このドメインミスマッチを解決する軽量でトレーニング不要なフレームワークです。
  論文  参考訳（メタデータ） (2026-03-04T04:25:41Z)
• PAnDA: Rethinking Metric Differential Privacy Optimization at Scale with Anchor-Based Approximation [7.889420673572309]
  我々は,距離微分プライバシー(mDP)のためのスケーラブルなフレームワークとして,アンカーベース分散近似(PAnDA)による摂動を提案する。 実世界の位置情報データセットの実験により、PAnDAは最大5,000レコードの秘密ドメインにスケールすることを示した。
  論文  参考訳（メタデータ） (2025-09-10T16:14:08Z)
• 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)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• 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)
• Efficient Federated Learning with Enhanced Privacy via Lottery Ticket Pruning in Edge Computing [19.896989498650207]
  Federated Learning(FL)は、モバイル端末(MT)からの分散型プライベートデータのための協調学習パラダイムである。 既存のプライバシ保存手法は、通常、インスタンスレベルの差分プライバシー(DP)を採用する。 We propose Fed-enhanced FL framework with UnderlinetextbfLottery underlinetextbfTicket underlinetextbfHypothesis (LTH) and zero-concentated DunderlinetextbfP (zCDP)。
  論文  参考訳（メタデータ） (2023-05-02T13:02:09Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• Differentially Private Decentralized Optimization with Relay Communication [1.2695958417031445]
  プライバシリーク頻度(PLF)は,アルゴリズムの通信とプライバシリークの関係を明らかにする指標である。 DP-RECAL は, 演算子分割法と中継通信機構を利用して, PLF の低減を図っている。
  論文  参考訳（メタデータ） (2022-12-21T09:05:36Z)
• 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。