MDM-Privacy: A Derivative-Driven Framework for Differential Privacy
Notice bibliographique
Résumé
Ensuring rigorous privacy protection while maintaining data utility remains a central challenge in privacy-preserving data analysis. Traditional Differential Privacy mechanisms, such as the Laplace and Gaussian mechanisms, rely on additive noise calibrated to sensitivity, which often leads to degraded utility, particularly in high-dimensional or low ε regimes. Moreover, these mechanisms lack the flexibility to adapt to the local structure or the gradient behavior of the data. This paper introduces the MDM-Privacy framework, which leverages the ε-MDM-Privacy mechanism, to calibrate privacy noise following sample-level sensitivity. Unlike traditional additive noise mechanisms, ε-MDM-Privacy employs a non-additive, exponential noise model where the privatized output is computed as a function of the formM(x) =C∙eε∙Lp(x), enabling precise control over the privacy-utility trade-off through both the privacy budget ε and the norm orderp. The constantCis estimated via Monte Carlo simulations to ensure probabilistic utility guarantees under confidence bounds. Extensive experiments on the UCI Adult dataset demonstrate that ε-MDM-Privacy achieves significantly lower Mean Absolute Error (MAE) and Mean Relative Error (MRE) compared to the classical Laplace mechanism, particularly under tight privacy regimes. The MDM-Privacy also exhibits robustness across different Minkowski norms, confirming its adaptability to various sensitivity geometries. Moreover, the ε-MDM-Privacy is consistent under both parallel and sequential compositions, enabling the execution of an unlimited number of queries without exhausting the privacy budget (ε). These results highlight the effectiveness of ε-MDM-Privacy as a tunable and utility-preserving alternative for differentially private data release.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».