論文の概要: Bilevel Optimization for Differentially Private Optimization in Energy Systems

• arxiv url: http://arxiv.org/abs/2001.09508v2
• Date: Tue, 5 Jan 2021 22:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 19:43:12.120833
• Title: Bilevel Optimization for Differentially Private Optimization in Energy Systems
• Title（参考訳）: エネルギーシステムにおける微分プライベート最適化のためのバイレベル最適化
• Authors: Terrence W.K. Mak, Ferdinando Fioretto, Pascal Van Hentenryck
• Abstract要約: 本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
• 参考スコア（独自算出の注目度）: 53.806512366696275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies how to apply differential privacy to constrained optimization problems whose inputs are sensitive. This task raises significant challenges since random perturbations of the input data often render the constrained optimization problem infeasible or change significantly the nature of its optimal solutions. To address this difficulty, this paper proposes a bilevel optimization model that can be used as a post-processing step: It redistributes the noise introduced by a differentially private mechanism optimally while restoring feasibility and near-optimality. The paper shows that, under a natural assumption, this bilevel model can be solved efficiently for real-life large-scale nonlinear nonconvex optimization problems with sensitive customer data. The experimental results demonstrate the accuracy of the privacy-preserving mechanism and showcases significant benefits compared to standard approaches.
• Abstract（参考訳）: 本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 この課題は、入力データのランダムな摂動が、制約付き最適化問題を実現不可能にしたり、その最適解の性質を著しく変化させたりするため、重大な課題を提起する。 この課題に対処するため,本論文では,後処理として使用可能な2レベル最適化モデルを提案する。 本論文は,この2レベルモデルが,顧客データに敏感な実生活の大規模非線形非凸最適化問題に対して効率的に解くことができることを示す。 実験結果は,プライバシ保存機構の精度を実証し,標準手法と比較して有意な利点を示す。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Robust personalized pricing under uncertainty of purchase probabilities [2.9061423802698565]
  予測された購入確率の不確実性を考慮したパーソナライズ価格のロバストな最適化モデルを提案する。 また、線形探索と組み合わせたラグランジアン分解アルゴリズムを開発し、大規模最適化問題に対する高品質な解を効率的に見つける。
  論文  参考訳（メタデータ） (2024-07-22T02:36:19Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Differential Privacy via Distributionally Robust Optimization [8.409434654561789]
  非漸近的かつ無条件の最適性を保証するメカニズムのクラスを開発する。 上界 (primal) は実装可能な摂動に対応しており、その準最適性は下界 (dual) で有界である。 数値実験により、我々の摂動は、人工的および標準ベンチマーク問題に関する文献から得られた最も優れた結果よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-25T09:31:47Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Differentially Private Convex Optimization with Feasibility Guarantees [44.36831037077509]
  本稿では,凸最適化問題を解くための新しい微分プライベートフレームワークを開発する。 提案するフレームワークは、期待される最適性損失と最適化結果のばらつきの間のトレードオフを提供する。
  論文  参考訳（メタデータ） (2020-06-22T15:30:52Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を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） (2020-06-18T19:11:54Z)

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。