論文の概要: Propose-Filter-Release: Scaling Noise to Typical Sensitivity via Private Filtering
- arxiv url: http://arxiv.org/abs/2610.40654v1
- Date: Thu, 29 Oct 2026 17:59:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.559839
- Title: Propose-Filter-Release: Scaling Noise to Typical Sensitivity via Private Filtering
- Title（参考訳）: Propose-Filter-Release:Scaling Noise to typical Sensitivity via Private Filtering
- Abstract要約: 我々は、典型的なレコードの追加や削除を保護するメカニズムを、入力毎に異なるプライベートなメカニズムに転換する、Emphpropose-filter-release (PFR)を導入する。
PFRは、レコードがデータセットにどのように適合するかを測定する凹凸フレンドリースコアと、更新されたレコードが残りのデータに適合するプライベートなフレンドリーDPであるリリースメカニズムのみを必要とする。
- 参考スコア（独自算出の注目度）: 9.939753556051288
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An estimator can be accurate and stable on typical data, yet sensitive to a few possible records. Differentially private mechanisms commonly scale their noise to the worst-case influence of a single record, which lets these records dictate the noise even when the remaining data would allow far less. Removing them first would restore the smaller scale, but the removal must itself be private. We introduce \emph{propose-filter-release} (PFR), which, by privately filtering its input, turns a mechanism that protects the addition or removal of a typical record, one that fits the remaining data, into one that is differentially private in the standard sense, on every input. Using our novel filtering step, PFR requires only a concave friendliness score, which measures how well a record fits a dataset, and a release mechanism that is friendly-DP, that is, private when the changed record fits the remaining data. For every such score and release mechanism, it guarantees differential privacy under public conditions on the number of records, so it is a general privacy primitive, comparable to propose-test-release, and FriendlyCore can be viewed as one of its implementations. We illustrate the generality of PFR by instantiating it for scalar statistics, principal subspace estimation, the KL divergence of user histograms, the effective resistances of a graph, and treatment-rule selection.
- Abstract（参考訳）: 推定器は通常のデータでは正確で安定であるが、いくつかのレコードには敏感である。
異なるプライベートなメカニズムは、通常、ノイズを単一のレコードの最悪のケースの影響に拡大する。
最初に取り除くと、小さなスケールが復元されるが、削除自体はプライベートでなければならない。
入力をプライベートにフィルタすることで、残りのデータに適合する典型的なレコードの追加や削除を保護するメカニズムを、すべての入力において標準的意味で異なるプライベートなものにします。
新たなフィルタリングステップを使用することで、レコードがデータセットにどの程度適合するかを測定する凹凸フレンドリースコアと、変更されたレコードが残りのデータに適合した場合にプライベートになるリリースメカニズムのみをPFRは必要とします。
このようなスコアとリリースメカニズムのすべてに対して、レコード数に関する公開条件下での差分プライバシを保証するため、プロポーザル-テスト-リリースに匹敵する一般的なプライバシプリミティブであり、FriendlyCoreはその実装の1つと見なすことができる。
我々は、スカラー統計、主部分空間推定、ユーザヒストグラムのKL分散、グラフの有効抵抗、および処理ルール選択のためにPFRをインスタンス化することで、PFRの一般性を説明する。
関連論文リスト
- Privacy-Utility-Bias Trade-offs for Privacy-Preserving Recommender Systems [0.0]
プライバシメカニズムがレコメンデーション精度と公平性の両方にどのように影響するかを評価する。
プライバシーの強化は実用性を継続的に低下させるが、一様ではない。
単一のDPメカニズムが一様に優れているわけではなく、それぞれ異なるプライバシとデータ条件下でトレードオフを提供する。
論文 参考訳（メタデータ） (2025-11-27T14:50:20Z) - 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) - 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) - Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。
DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。
本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
論文 参考訳（メタデータ） (2024-04-24T06:51:16Z) - 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) - Generalized PTR: User-Friendly Recipes for Data-Adaptive Algorithms with
Differential Privacy [16.374676154278614]
「PTR」(Propose-Test-Release)は、微分プライベート(DP)アルゴリズムを設計するための古典的なレシピである。
PTRは、ローカルな感度よりも、データ依存のプライバシー損失をプライベートにテストすることで、より一般的な設定に拡張します。
論文 参考訳（メタデータ） (2022-12-31T22:22:53Z) - Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。
ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。
これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
論文 参考訳（メタデータ） (2022-06-06T13:49:37Z) - Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。
差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。
それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
論文 参考訳（メタデータ） (2022-01-24T02:45:03Z) - Smoothed Differential Privacy [55.415581832037084]
微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。
本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。
サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
論文 参考訳（メタデータ） (2021-07-04T06:55:45Z) - Bounding, Concentrating, and Truncating: Unifying Privacy Loss
Composition for Data Analytics [2.614355818010333]
アナリストが純粋なDP、境界範囲(指数的なメカニズムなど)、集中的なDPメカニズムを任意の順序で選択できる場合、強いプライバシー損失バウンダリを提供する。
また、アナリストが純粋なDPと境界範囲のメカニズムをバッチで選択できる場合に適用される最適なプライバシー損失境界を提供する。
論文 参考訳（メタデータ） (2020-04-15T17:33:10Z)
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。