サブサンプリングとランダム割り当てにおける効率的なプライバシー損失計算
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
著者らは、tステップ中からkステップをランダムに選択するサンプリング手法のプライバシー増幅特性を検討し、差分学習やプライベート集約において標準手法より有用性が高いことを示した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
あるユーザーのデータが、t ステップからランダムかつ一様に選択された k 回のステップで使用されるサンプリングスキームのプライバシー増幅特性について考察する。このサンプリングスキームは、標準的なポアソンサンプリングに対して有用性の利点を持つことが示されたため、近年、微分プライバシー最適化（Chua et al., 2024a; Choquette-Choo et al., 2025）や通信効率の高い高次元プライベート集約（Asi et al., 2025）の文脈で適用されている。このサンプリングスキームに関する理論的分析（Feldman & Shenfeld, 2025; Dong et al., 2025）は…
原文を表示
We consider the privacy amplification properties of a sampling scheme in which a user’s data is used in k steps chosen randomly and uniformly from a sequence (or set) of t steps. This sampling scheme has been recently applied in the context of differentially private optimization (Chua et al., 2024a; Choquette-Choo et al., 2025) and communication-efficient high-dimensional private aggregation (Asi et al., 2025), where it was shown to have utility advantages over the standard Poisson sampling. Theoretical analyses of this sampling scheme (Feldman & Shenfeld, 2025; Dong et al., 2025) lead to…
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み