Fugu-MT 論文翻訳(概要): Differentially Private Assouad, Fano, and Le Cam

論文の概要: Differentially Private Assouad, Fano, and Le Cam

arxiv url: http://arxiv.org/abs/2004.06830v3
Date: Mon, 2 Nov 2020 03:03:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 09:31:25.199477
Title: Differentially Private Assouad, Fano, and Le Cam
Title（参考訳）: 異なるプライベートなアスード、ファノ、ル・カム
Authors: Jayadev Acharya, Ziteng Sun, Huanyu Zhang
Abstract要約: ル・カムの方法、ファノの不等式、アスードの補題は、統計的推定タスクの下位境界を証明する3つの手法である。偏微分プライバシーの下でそれらの類似性を提案する。その結果は単純で、適用が容易であり、いくつかの推定タスクにおいてサンプル複雑性境界を確立するためにそれらを用いる。
参考スコア（独自算出の注目度）: 32.509176784239216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Le Cam's method, Fano's inequality, and Assouad's lemma are three widely used techniques to prove lower bounds for statistical estimation tasks. We propose their analogues under central differential privacy. Our results are simple, easy to apply and we use them to establish sample complexity bounds in several estimation tasks. We establish the optimal sample complexity of discrete distribution estimation under total variation distance and $\ell_2$ distance. We also provide lower bounds for several other distribution classes, including product distributions and Gaussian mixtures that are tight up to logarithmic factors. The technical component of our paper relates coupling between distributions to the sample complexity of estimation under differential privacy.
Abstract（参考訳）: ル・カムの方法、ファノの不等式、アスードの補題は、統計的推定タスクの下位境界を証明するために広く使われている3つの手法である。セントラルディファレンシャルプライバシの下での類似案を提案する。我々の結果は単純で簡単に適用でき、いくつかの推定タスクでサンプル複雑性境界を確立するためにそれらを利用する。総変分距離と$\ell_2$距離で離散分布推定の最適サンプル複雑性を確立する。また、積分布や対数因子に密接なガウス混合を含む、いくつかの他の分布クラスに対する下界も提供する。本論文の技術的コンポーネントは,分布間の結合と微分プライバシー下での推定のサンプル複雑性に関するものである。

関連論文リスト

Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
Deep Generative Sampling in the Dual Divergence Space: A Data-efficient & Interpretative Approach for Generative AI [29.13807697733638]
自然画像の生成的サンプリングにおける顕著な成果の上に構築する。我々は、画像に似たサンプルを生成するという、画期的な挑戦を、潜在的に過度に野心的に提案する。統計上の課題は、小さなサンプルサイズであり、時には数百人の被験者で構成されている。
論文参考訳（メタデータ） (2024-04-10T22:35:06Z)
Sampling Multimodal Distributions with the Vanilla Score: Benefits of Data-Based Initialization [19.19974210314107]
Hyv"arinen氏は、データから分布を学ぶ方法として、バニラスコアマッチングを提案した。実験的な分布において, 早期停止を伴うランゲヴィン拡散を証明し, データから推定したスコア関数上で実行することで, 自然マルチモーダル分布の生成に成功した。
論文参考訳（メタデータ） (2023-10-03T03:06:59Z)
Mean-Square Analysis of Discretized It\^o Diffusions for Heavy-tailed Sampling [17.415391025051434]
重み付きポインカーの不等式に関連する伊藤拡散の自然クラスを離散化することにより、重み付き分布のクラスからのサンプリングの複雑さを分析する。平均二乗解析に基づいて、ワッサーシュタイン2計量のターゲット分布に近い分布が$epsilon$のサンプルを得るための反復複雑性を確立する。
論文参考訳（メタデータ） (2023-03-01T15:16:03Z)
On-Demand Sampling: Learning Optimally from Multiple Distributions [63.20009081099896]
社会と現実世界の考察は、マルチディストリビューション学習パラダイムの台頭につながっている。これらの学習パラダイムの最適なサンプル複雑性を確立し、このサンプル複雑性を満たすアルゴリズムを提供する。アルゴリズムの設計と解析は,ゼロサムゲーム解決のためのオンライン学習手法の拡張によって実現されている。
論文参考訳（メタデータ） (2022-10-22T19:07:26Z)
A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。ブレグマン最小化の発散の観点から一般的な枠組みを開発する。我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文参考訳（メタデータ） (2021-12-07T01:23:20Z)
From Optimality to Robustness: Dirichlet Sampling Strategies in Stochastic Bandits [0.0]
本研究では、腕の観察を再サンプリングした経験的指標のペア比較に基づいて、ジェネリックディリクレサンプリング(DS)アルゴリズムについて検討する。この戦略の異なる変種は、分布が有界であるときに証明可能な最適後悔保証と、半有界分布に対して軽度量子状態の対数後悔を実現することを示す。
論文参考訳（メタデータ） (2021-11-18T14:34:21Z)
Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond [63.59034509960994]
シャッフルに基づく変種(ミニバッチと局所ランダムリシャッフル)について検討する。ポリアック・ロジャシエヴィチ条件を満たす滑らかな函数に対して、これらのシャッフル型不変量(英語版)(shuffling-based variants)がそれらの置換式よりも早く収束することを示す収束境界を得る。我々は, 同期シャッフル法と呼ばれるアルゴリズムの修正を提案し, ほぼ均一な条件下では, 下界よりも収束速度が速くなった。
論文参考訳（メタデータ） (2021-10-20T02:25:25Z)
Partition-Guided GANs [63.980473635585234]
私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。これはラベルを必要とせずに教師なしの方法で実行される。各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
論文参考訳（メタデータ） (2021-04-02T00:06:53Z)
The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。