Fugu-MT 論文翻訳(概要): CoinPress: Practical Private Mean and Covariance Estimation

論文の概要: CoinPress: Practical Private Mean and Covariance Estimation

arxiv url: http://arxiv.org/abs/2006.06618v2
Date: Mon, 10 Oct 2022 02:18:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 13:48:21.861122
Title: CoinPress: Practical Private Mean and Covariance Estimation
Title（参考訳）: CoinPress: 実践的なプライベート平均と共分散推定
Authors: Sourav Biswas, Yihe Dong, Gautam Kamath, Jonathan Ullman
Abstract要約: 多変量準ガウスデータの平均と共分散に対する単純な微分プライベート推定器を提案する。これらの誤差率は最先端の理論的境界値と一致し, 従来手法よりも顕著に優れていたことを示す。
参考スコア（独自算出の注目度）: 18.6419638570742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present simple differentially private estimators for the mean and covariance of multivariate sub-Gaussian data that are accurate at small sample sizes. We demonstrate the effectiveness of our algorithms both theoretically and empirically using synthetic and real-world datasets -- showing that their asymptotic error rates match the state-of-the-art theoretical bounds, and that they concretely outperform all previous methods. Specifically, previous estimators either have weak empirical accuracy at small sample sizes, perform poorly for multivariate data, or require the user to provide strong a priori estimates for the parameters.
Abstract（参考訳）: 小サンプルサイズで精度の高い多変量部分ガウスデータの平均と共分散に対する単純な微分プライベート推定器を提案する。このアルゴリズムの有効性を,合成データと実世界のデータセットの両方を用いて実証し,その漸近的誤差率は理論上の限界と一致し,従来の手法よりも具体的に優れていることを示した。具体的には、従来の推定器は、小さなサンプルサイズで経験的精度が弱いか、多変量データでは性能が悪いか、あるいはパラメータに対して強い事前推定を行う必要がある。

関連論文リスト

A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。頑健な推定器は効率的に計算可能で一貫したものであることを示す。合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文参考訳（メタデータ） (2024-05-30T15:01:18Z)
Optimal Differentially Private PCA and Estimation for Spiked Covariance Matrices [10.377683220196873]
共分散行列とその関連する主成分を推定することは、現代統計学における根本的な問題である。スパイク共分散モデルにおける最適偏微分的主成分分析(PCA)と共分散推定について検討した。計算効率のよい微分プライベート推定器を提案し、その極小極小性をガウス分布に対して証明する。
論文参考訳（メタデータ） (2024-01-08T11:18:14Z)
Multi-Fidelity Covariance Estimation in the Log-Euclidean Geometry [0.0]
対称正定値多様体の対数ユークリッド幾何学を利用する共分散行列の多値推定器を導入する。固定予算が与えられた推定器の平均二乗誤差を最小化する最適サンプル割り当て方式を開発した。物理アプリケーションからのデータによるアプローチの評価は、ベンチマークと比較すると、より正確なメトリック学習と1桁以上のスピードアップを示している。
論文参考訳（メタデータ） (2023-01-31T16:33:46Z)
High Dimensional Statistical Estimation under One-bit Quantization [27.718986773043643]
1ビット(バイナリ)データは、信号ストレージ、処理、送信、プライバシーの強化といった効率性のために、多くのアプリケーションで好まれる。本稿では,3つの基本的な統計的推定問題について検討する。ガウス系と重尾系の両方で、高次元スケーリングを扱う新しい推定器が提案されている。
論文参考訳（メタデータ） (2022-02-26T15:13:04Z)
Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文参考訳（メタデータ） (2021-07-05T21:05:11Z)
Distributionally Robust Local Non-parametric Conditional Estimation [22.423052432220235]
非パラメトリックな局所推定を生成する分布安定な新しい推定器を提案する。一般には難解であるにもかかわらず、局所推定器は凸最適化によって効率的に見つけることができることを示す。合成およびMNISTデータセットを用いた実験は、この新しいクラスの推定器の競合性能を示している。
論文参考訳（メタデータ） (2020-10-12T00:11:17Z)
Effective Data-aware Covariance Estimator from Compressed Data [63.16042585506435]
本研究では,データ対応重み付きサンプリングベース共分散行列推定器,すなわち DACE を提案し,非バイアス共分散行列推定を行う。我々は、DACEの優れた性能を示すために、合成データセットと実世界のデータセットの両方で広範な実験を行う。
論文参考訳（メタデータ） (2020-10-10T10:10:28Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文参考訳（メタデータ） (2020-05-22T22:30:52Z)
An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
この動作を駆動するトレーニングデータの2つの重要な特性を特定します。モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
論文参考訳（メタデータ） (2020-05-09T01:59:13Z)
On the Benefits of Invariance in Neural Networks [56.362579457990094]
データ拡張によるトレーニングは、リスクとその勾配をよりよく見積もることを示し、データ拡張でトレーニングされたモデルに対して、PAC-Bayes一般化を提供する。また,データ拡張と比べ,平均化は凸損失を伴う場合の一般化誤差を低減し,PAC-Bayes境界を狭めることを示した。
論文参考訳（メタデータ） (2020-05-01T02:08:58Z)

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。