Privacy-preserving data release leveraging optimal transport and particle gradient descent

要約

私たちは、医療や政府などの非常に機密性の高い分野で関連するタスクである、保護された表形式データセットの差分プライベート データ合成のための新しいアプローチを紹介します。
現在の最先端の方法では、主に限界ベースのアプローチが使用されており、データセットは限界のプライベート推定値から生成されます。
この論文では、最適輸送と粒子勾配降下によるツールを活用した、マージナルベースのプライベート データ合成のための新しい生成手法である PrivPGD を紹介します。
当社のアルゴリズムは、広範囲のデータセットで既存の手法を上回るパフォーマンスを発揮すると同時に、拡張性が高く、追加のドメイン固有の制約を組み込む柔軟性を提供します。

要約(オリジナル)

We present a novel approach for differentially private data synthesis of protected tabular datasets, a relevant task in highly sensitive domains such as healthcare and government. Current state-of-the-art methods predominantly use marginal-based approaches, where a dataset is generated from private estimates of the marginals. In this paper, we introduce PrivPGD, a new generation method for marginal-based private data synthesis, leveraging tools from optimal transport and particle gradient descent. Our algorithm outperforms existing methods on a large range of datasets while being highly scalable and offering the flexibility to incorporate additional domain-specific constraints.

arxiv情報

著者 Konstantin Donhauser,Javier Abad,Neha Hulkund,Fanny Yang
発行日 2024-07-29 14:12:50+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CR, cs.LG パーマリンク