Fugu-MT 論文翻訳(概要): Adversarially Robust Streaming Algorithms via Differential Privacy

論文の概要: Adversarially Robust Streaming Algorithms via Differential Privacy

arxiv url: http://arxiv.org/abs/2004.05975v1
Date: Mon, 13 Apr 2020 14:49:38 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 00:39:01.225295
Title: Adversarially Robust Streaming Algorithms via Differential Privacy
Title（参考訳）: ディファレンシャルプライバシによる敵対的ロバストなストリーミングアルゴリズム
Authors: Avinatan Hassidim, Haim Kaplan, Yishay Mansour, Yossi Matias, Uri Stemmer
Abstract要約: データストリームが不正に選択された場合でも、その精度保証が維持されている場合、ストリーミングアルゴリズムは逆向きに堅牢であると言われている。ストリーミングアルゴリズムの逆強靭性と差分プライバシーの概念の関連性を確立する。
参考スコア（独自算出の注目度）: 68.3608356069755
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A streaming algorithm is said to be adversarially robust if its accuracy guarantees are maintained even when the data stream is chosen maliciously, by an adaptive adversary. We establish a connection between adversarial robustness of streaming algorithms and the notion of differential privacy. This connection allows us to design new adversarially robust streaming algorithms that outperform the current state-of-the-art constructions for many interesting regimes of parameters.
Abstract（参考訳）: データストリームが悪意的に選択された場合でも、その精度保証が維持されている場合、適応的敵によってストリーミングアルゴリズムは逆向きに堅牢であると言われている。我々は,ストリーミングアルゴリズムの敵対的ロバスト性とディファレンシャルプライバシの概念との関係性を確立する。この接続により、多くの興味深いパラメータの条件に対して、現在の最先端構造よりも優れた、逆向きに堅牢な新しいストリーミングアルゴリズムを設計できる。

関連論文リスト

Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文参考訳（メタデータ） (2023-05-24T13:44:02Z)
A Framework for Adversarial Streaming via Differential Privacy and Difference Estimators [26.151761714896118]
本稿では,適応的相手が入力ストリームを選択した場合でも,証明可能な保証を提供するストリーミングアルゴリズムについて検討する。本稿では,最近提案された2つのフレームワークをハイブリッドした,敵対的ストリーミングのための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-07-30T10:20:38Z)
Adversarial Robustness of Streaming Algorithms through Importance Sampling [29.957317489789745]
我々は、中央の機械学習とアルゴリズムタスクに逆向きに頑健なストリーミングアルゴリズムを導入する。我々の結果は、多くの重要なサンプリングベースのアルゴリズムが敵の堅牢性をもたらすという、単純だが強力で観察に基づいている。我々は、様々な敵攻撃に対するアルゴリズムの堅牢性を実証的に確認し、対照的に、いくつかの一般的なアルゴリズムは堅牢ではないことを示す。
論文参考訳（メタデータ） (2021-06-28T19:24:11Z)
Towards Robust Speech-to-Text Adversarial Attack [78.5097679815944]
本稿では,DeepSpeech,Kaldi,Lingvoなど,最先端の音声テキストシステムに対する新たな逆アルゴリズムを提案する。本手法は, 逆最適化定式化の従来の歪み条件の拡張を開発することに基づいている。元のサンプルと反対のサンプルの分布の差を測定するこの測定値の最小化は、正統な音声記録のサブスペースに非常に近い作成信号に寄与する。
論文参考訳（メタデータ） (2021-03-15T01:51:41Z)
Fast Convergence Algorithm for Analog Federated Learning [30.399830943617772]
無線チャネル上での効率的なアナログフェデレーション学習のためのAirCompベースのFedSplitアルゴリズムを提案する。提案アルゴリズムは, 目的関数が強く凸かつ滑らかであるという仮定の下で, 最適解に線形収束することを示す。我々のアルゴリズムは、他のベンチマークFLアルゴリズムと比較して、より高速な収束を伴う不条件問題に対して、より堅牢であることが理論的および実験的に検証されている。
論文参考訳（メタデータ） (2020-10-30T10:59:49Z)
A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文参考訳（メタデータ） (2020-09-09T18:19:31Z)
Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文参考訳（メタデータ） (2020-06-01T13:48:59Z)
Towards Streaming Perception [70.68520310095155]
本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
論文参考訳（メタデータ） (2020-05-21T01:51:35Z)
Differentially Private k-Means Clustering with Guaranteed Convergence [5.335316436366718]
反復的なクラスタリングアルゴリズムは、データの背後にある洞察を学習するのに役立ちます。敵は、背景知識によって個人のプライバシーを推測することができる。このような推論攻撃に対して個人のプライバシを保護するため、反復クラスタリングアルゴリズムの差分プライバシー(DP)を広く研究している。
論文参考訳（メタデータ） (2020-02-03T22:53:47Z)

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。