論文の概要: Practical Auditing of Differentially Private Graph Release Mechanisms: Methodology, Toolkit, and Case Study

• arxiv url: http://arxiv.org/abs/2610.31294v1
• Date: Thu, 22 Oct 2026 13:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.394313
• Title: Practical Auditing of Differentially Private Graph Release Mechanisms: Methodology, Toolkit, and Case Study
• Title（参考訳）: 個人差分グラフリリースメカニズムの実践的評価:方法論,ツールキット,事例研究
• Abstract要約: 差分プライバシー(DP)は、グラフデータリリースを保護するための重要なアプローチとなっている。 本稿では,DPグラフの解放メカニズムを実証的に監査する手法を提案する。 証人選びは違反が検出されたかどうかに実質的に影響を及ぼすことを示す。
• 参考スコア（独自算出の注目度）: 20.29082580927169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differential Privacy (DP) has become a prominent approach for protecting graph data releases, yet empirical auditing methodologies have largely been developed for tabular datasets and machine learning pipelines rather than graph-structured outputs. We present a methodology for empirically auditing DP graph release mechanisms, identifying two graph-specific audit design problems: canary construction and witness statistic selection. We combine these components with an established statistically certified testing procedure and implement the resulting methodology as an open-source Python toolkit. To demonstrate the approach, we audit a published state-of-the-art Node-DP graph release mechanism. Across a series of synthetic and real-world canary pairs, we obtain certified lower bounds on the privacy parameter {\varepsilon} that exceed the claimed value, yielding counterexamples sufficient to falsify the claimed guarantee for the audited implementation. The violations persist under progressively stronger restrictions on the input domain, including non-empty and connected graphs. We also show that witness selection can materially affect whether a violation is detected, highlighting the importance of evaluating a diverse battery of statistics when auditing DP graph release mechanisms.
• Abstract（参考訳）: 差分プライバシー(DP)は、グラフデータリリースを保護するための顕著なアプローチとなっているが、グラフ構造化出力ではなく、表層データセットや機械学習パイプライン用に実証的な監査手法が開発されている。 本稿では,DPグラフ解放機構を実証的に監査する手法を提案し,カナリア構造と目撃者統計選択という2つのグラフ固有の監査設計問題を同定する。 これらのコンポーネントを、確立された統計的に認定されたテスト手順と組み合わせて、オープンソースPythonツールキットとして結果の方法論を実装します。 このアプローチを実証するために、我々は公開されている最先端のNode-DPグラフリリースメカニズムを監査した。 一連の合成および実世界のカナリアペアの中で、我々は、要求値を超えるプライバシーパラメータ(varepsilon)の証明された下位境界を取得し、監査された実装に対する要求された保証を偽装するのに十分な反例を得る。 違反は、空でない連結グラフを含む入力領域に対する徐々に強い制限の下で持続する。 また,DPグラフ解放機構を監査する場合,目撃者の選択が違反を検出するかどうかに実質的に影響を与えることを示し,多彩な統計量を評価することの重要性を強調した。

関連論文リスト

• Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
  データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。 本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
  論文  参考訳（メタデータ） (2026-06-15T16:54:02Z)
• An End-to-End Framework for Functionality-Embedded Provenance Graph Construction and Threat Interpretation [2.0740117800511215]
  Auto-Provは、証明グラフベースの異常検出のためのエンドツーエンドフレームワークである。 ログの型をクラスタ化し、プロファイランスエッジとエンティティレベルの情報を効率的に抽出する。 システムレベルの機能コンテキストを、既知および未確認のシステムエンティティの両方に対して推論する。 安定して解釈可能な攻撃サマリーを生成し、システムの進化の下では堅牢である。
  論文  参考訳（メタデータ） (2026-03-17T19:40:05Z)
• DWBench: Holistic Evaluation of Watermark for Dataset Copyright Auditing [43.881484429055654]
  データセット透かし技術は、監査と使用の検証を約束する。 我々はDWBenchを開発した。DWBenchは、画像データセットのウォーターマーク手法を体系的に評価するための統一ベンチマークおよびオープンソースツールキットである。 そこで本研究では,詳細な透かし識別のためのサンプルの意義と,データセットレベルの監査における検証成功率の2つの新しい指標について述べる。
  論文  参考訳（メタデータ） (2026-02-14T01:09:19Z)
• 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)
• Auditing Differential Privacy Guarantees Using Density Estimation [3.830092569453011]
  DP機構の差分プライバシー保証を正確に評価するための新しい手法を提案する。 特に、我々のソリューションは、機械学習(ML)モデルのDP保証の監査に適用できる。
  論文  参考訳（メタデータ） (2024-06-07T10:52:15Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Conditional Feature Importance for Mixed Data [1.6114012813668934]
  ノックオフサンプリングを用いた条件付き予測インパクト(CPI)フレームワークを開発した。 提案するワークフローは,I型エラーを制御し,高い出力を達成し,他の条件FI測定結果と一致していることを示す。 本研究は,混合データに対して,統計的に適切な,専門的な手法を開発することの必要性を強調した。
  論文  参考訳（メタデータ） (2022-10-06T16:52:38Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)

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。