論文の概要: Propose-Filter-Release: Scaling Noise to Typical Sensitivity via Private Filtering
- arxiv url: http://arxiv.org/abs/2610.40654v2
- Date: Tue, 03 Nov 2026 15:02:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.373192
- 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: 私たちは、最悪の場合ではなく、典型的な場合に合わせてノイズを調整できる差分プライベートなアルゴリズムを構築します。
一般的なメタアルゴリズムを得るために,新しいフィルタリングステップでPFRをインスタンス化する方法を示す。
FriendlyCore [TCK+22]とPropose-Test-Release [DL09]アルゴリズムは、我々の一般的なアプローチのインスタンス化と見なすことができる。
- 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: Differential privacy requires that algorithms be stable to the change of any record in their input, even to an extreme outlier. Private algorithms thus commonly introduce noise scaled to the worst-case possible influence of any single record. This work studies how to build differentially private algorithms that can effectively tailor their noise to the typical case rather than the worst case. We introduce the general \emph{propose-filter-release} (PFR) framework, which, by privately filtering its input, turns a mechanism that protects the addition or removal of a \emph{typical} record into one that is differentially private in the standard sense, on \emph{every} input. We show how to instantiate PFR with a novel filtering step to obtain a general meta-algorithm. Given only a concave friendliness score (which measures how typical a record is with respect to a dataset) and a release mechanism that is friendly-DP (that is, private conditioned on the changed record being typical of the remaining data), it guarantees differential privacy on sufficiently large datasets. The FriendlyCore [TCK+22] and Propose-Test-Release [DL09] algorithms can be viewed as instantiations of our general approach. We illustrate the generality of PFR by instantiating it for scalar statistics, principal subspace estimation with a dimension-independent sample size, the KL divergence of user histograms, the effective resistances in a resistor network, and treatment-rule selection.
- Abstract（参考訳）: 差分プライバシーは、アルゴリズムが入力中のレコードの変更に対して、極端に異常なほど安定していることを要求する。
したがって、プライベートアルゴリズムは、通常、あらゆる単一レコードの最悪の影響に対してスケールされたノイズを導入する。
この研究は、ノイズを最悪のケースではなく典型的なケースに効果的に調整できる、微分プライベートなアルゴリズムを構築する方法を研究する。
このフレームワークは、入力をプライベートにフィルタリングすることで、 \emph{typeal}レコードの追加または削除を保護するメカニズムを、標準的な意味では微分プライベートなメカニズムに変換する。
一般的なメタアルゴリズムを得るために,新しいフィルタリングステップでPFRをインスタンス化する方法を示す。
コンケーブのフレンドリなスコア(データセットに対するレコードの典型的な値を測定する)と、フレンドリなDP(変更レコードのプライベート条件は、残りのデータの典型である)であるリリースメカニズムのみを考慮すれば、十分に大きなデータセット上での差分プライバシが保証される。
FriendlyCore [TCK+22]とPropose-Test-Release [DL09]アルゴリズムは、我々の一般的なアプローチのインスタンス化と見なすことができる。
本稿では、スカラー統計のインスタンス化、次元非依存のサンプルサイズによる主部分空間推定、ユーザヒストグラムのKL分散、抵抗ネットワークにおける有効抵抗、および治療ルール選択について、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。