論文の概要: PRISMA: Differentially Private Synthetic In-Car Telemetry via Differentiable Simulation

• arxiv url: http://arxiv.org/abs/2610.35521v1
• Date: Mon, 26 Oct 2026 14:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.034168
• Title: PRISMA: Differentially Private Synthetic In-Car Telemetry via Differentiable Simulation
• Title（参考訳）: PRISMA: 微分可能シミュレーションによる個人用車内テレメトリ
• Abstract要約: 我々は車内エネルギー消費トレースを合成するためのプライバシ保護アルゴリズムを開発した。 PRISAは競合する$varepsilon = 0.5$のデータ合成性能を、従来の表や境界ベースのDP合成ベースラインよりも向上させる。
• 参考スコア（独自算出の注目度）: 2.3743019202902462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentially private synthesis of in-car energy consumption data is challenging because the output is high-dimensional, and known lower bounds show that the privacy-utility trade-off degrades with the square root of the number of output dimensions. However, we observe that the intrinsic dimensionality of in-car energy consumption is much lower than that of the raw trace: given a small set of contextual personal variables-such as start point, end point, the car model, and the driving behavior-the consumption profile can be largely explained by publicly available map data (including elevation) combined with a physical model of vehicle energy use. We exploit this low intrinsic dimensionality in PRISMA, a Privacy-preserving In-car Synthesis and Modelling Algorithm. PRISMA involves three stages: (i) energy consumption traces are encoded into a low-dimensional latent space; (ii) the distribution of latent vectors is synthesized using the differentially private tabular data synthesis algorithm AIM, and (iii) samples drawn from this distribution are decoded back into full energy consumption traces via a differentiable physics-based simulation, a step that consumes no additional privacy budget since it uses only public information. By using a compact, physically-grounded latent representation of the traces, PRISMA significantly reduces the effective output dimension. Our experimental results show that PRISMA achieves for a competitive $\varepsilon = 0.5$ a better data synthesis performance than prior tabular and marginal-based DP synthesis baselines by preserving the diversity of the original power consumption profiles without collapsing to a small set of modes.
• Abstract（参考訳）: 自動車内エネルギー消費データの異なるプライベートな合成は、出力が高次元であるため困難であり、既知の下限は、プライバシ・ユーティリティ・トレードオフが出力次元の平方根で劣化することを示している。 しかし、車内エネルギー消費の本質的な次元は生のトレースよりもはるかに低いことが観察された: スタートポイント、エンドポイント、カーモデル、運転行動、消費プロファイルといった文脈的個人変数の小さなセットが与えられた場合、車内エネルギー使用の物理モデルと組み合わせた公開地図データ(標高を含む)によって大きく説明できる。 プライバシ保護型車内合成・モデリングアルゴリズムであるPRISMAにおいて,この低内在性次元を利用する。 PRISMAには3つの段階がある。 (i)低次元潜在空間にエネルギー消費トレースを符号化する。 (ii)微分プライベートな表データ合成アルゴリズムAIMを用いて潜在ベクトルの分布を合成する。 三 この分布から引き出されたサンプルは、微分可能な物理に基づくシミュレーションによって全エネルギー消費トレースに復号され、公共情報のみを使用するため、追加のプライバシー予算を消費しない。 トレースのコンパクトで物理的に接地された潜在表現を使用することで、PRISMAは有効出力次元を著しく削減する。 実験結果から,PRISMAは従来の表形式と縁型DP合成ベースラインよりも優れたデータ合成性能を達成できることを示した。

関連論文リスト

• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Improving Noise Efficiency in Privacy-preserving Dataset Distillation [59.57846442477106]
  本稿では,最適化からサンプリングを分離してコンバージェンスを向上し,信号品質を向上させる新しいフレームワークを提案する。 CIFAR-10では,従来の最先端手法の蒸留セットサイズを5分の1に減らして,クラス毎50イメージでtextbf10.0%,クラス毎50イメージで textbf8.3%向上した。
  論文  参考訳（メタデータ） (2025-08-03T13:15:52Z)
• Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
  本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。 具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。 我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
  論文  参考訳（メタデータ） (2024-12-19T03:39:13Z)
• DPTraj-PM: Differentially Private Trajectory Synthesis Using Prefix Tree and Markov Process [1.800676987432211]
  DPTraj-PMは,差分プライバシーの枠組みの下でトラジェクトリデータセットを合成する手法である。 DPTraj-PMは、生の軌跡を隣接する細胞に識別し、プレフィックスツリー構造とm次マルコフ過程を組み合わせてモデル化する。 DPTraj-PMが作成した出力トレースは、個人の移動行動のパターンと変動性を保持するだけでなく、個人のプライバシーも保護している。
  論文  参考訳（メタデータ） (2024-04-22T11:52:11Z)
• DP-TLDM: Differentially Private Tabular Latent Diffusion Model [13.153278585144355]
  合成データテーブルの高品質化とプライバシーリスクの低減を図るため,DPTLDM,differially Private Tabular Latent Diffusion Modelを提案する。 DPTLDMは,データ類似度の平均35%,下流タスクの実用性15%,データ識別性50%で,合成品質の向上を図っている。
  論文  参考訳（メタデータ） (2024-03-12T17:27:49Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• DPZero: Private Fine-Tuning of Language Models without Backpropagation [49.365749361283704]
  DPZeroは、ほぼ次元に依存しない新しいゼロオーダーアルゴリズムである。 DPZeroのメモリ効率は、いくつかの下流タスクでプライベートに微調整されたRoBERTaとOPTで実証される。
  論文  参考訳（メタデータ） (2023-10-14T18:42:56Z)
• Differentially Private Neural Tangent Kernels for Privacy-Preserving Data Generation [32.83436754714798]
  本研究は,$textitneural tangent kernels (NTKs)$,より正確には$textitempirical$ NTKs (e-NTKs) の機能の利用を検討する。 おそらく意外なことに、トレーニングされていないe-NTK機能の表現力は、公開データを使って事前トレーニングされた知覚機能から得られる機能と同等である。
  論文  参考訳（メタデータ） (2023-03-03T03:00:49Z)
• Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
  そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。 差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
  論文  参考訳（メタデータ） (2021-11-01T18:10:21Z)

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。