論文の概要: Parametric Bootstrap for Differentially Private Confidence Intervals
- arxiv url: http://arxiv.org/abs/2006.07749v2
- Date: Tue, 12 Oct 2021 15:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 09:52:37.033257
- Title: Parametric Bootstrap for Differentially Private Confidence Intervals
- Title（参考訳）: 個人的信頼区間のパラメトリックブートストラップ
- Authors: Cecilia Ferrando, Shufan Wang, Daniel Sheldon
- Abstract要約: 本研究では,個人差分パラメトリック推定のための信頼区間を構築するための実用的,汎用的なアプローチを開発する。
パラメトリックブートストラップは単純で効果的な解であることがわかった。
- 参考スコア（独自算出の注目度）: 8.781431682774484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of this paper is to develop a practical and general-purpose approach
to construct confidence intervals for differentially private parametric
estimation. We find that the parametric bootstrap is a simple and effective
solution. It cleanly reasons about variability of both the data sample and the
randomized privacy mechanism and applies "out of the box" to a wide class of
private estimation routines. It can also help correct bias caused by clipping
data to limit sensitivity. We prove that the parametric bootstrap gives
consistent confidence intervals in two broadly relevant settings, including a
novel adaptation to linear regression that avoids accessing the covariate data
multiple times. We demonstrate its effectiveness for a variety of estimators,
and find that it provides confidence intervals with good coverage even at
modest sample sizes and performs better than alternative approaches.
- Abstract（参考訳）: 本研究の目的は,個人差分パラメトリック推定のための信頼区間を構築するための実用的で汎用的なアプローチを開発することである。
パラメトリックブートストラップはシンプルで効果的なソリューションであることが分かりました。
データサンプルとランダム化されたプライバシメカニズムの両方のばらつきを清潔に理由付け、広範囲のプライベートな見積ルーチンに"アウト・オブ・ボックス"を適用する。
また、データのクリップによるバイアスを正し、感度を制限できる。
パラメトリックブートストラップは,共変量データへのアクセスを複数回避ける線形回帰への新しい適応を含む,2つの広く関連する設定において,一貫した信頼区間を与えることが証明される。
各種推定器の有効性を実証し, 適度なサンプルサイズでも良好なカバレッジで信頼区間を提供し, 代替手法よりも優れた性能を示した。
関連論文リスト
- Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Resampling methods for private statistical inference [1.8110941972682346]
我々は、信頼区間を異なるプライバシーで構築する作業について検討する。
データのパーティション上で実行される複数の"小さな"ブートストラップの結果の中央値をプライベートに計算する,非パラメトリックブートストラップの2つのプライベート変種を提案する。
固定された差分プライバシーパラメータ$epsilon$に対して、我々のメソッドは、サンプルサイズ$n$の対数係数内の非プライベートブートストラップと同じエラー率を享受します。
論文 参考訳（メタデータ） (2024-02-11T08:59:02Z) - Finite Sample Confidence Regions for Linear Regression Parameters Using
Arbitrary Predictors [1.6860963320038902]
線形モデルのパラメータに対する信頼領域を構築するための新しい手法を任意の予測器からの予測を用いて検討する。
導出された信頼領域は、混合線形プログラミングフレームワーク内の制約としてキャストすることができ、線形目的の最適化を可能にする。
従来の手法とは異なり、信頼領域は空であり、仮説テストに使用できる。
論文 参考訳（メタデータ） (2024-01-27T00:15:48Z) - Show Your Work with Confidence: Confidence Bands for Tuning Curves [51.12106543561089]
チューニング作業の関数としての曲線プロット検証性能。
そこで我々は,曲線のチューニングに有効な信頼帯域を構築するための最初の方法を提案する。
提案手法と比較し,提案手法の有効性を検証し,サンプルサイズの影響を解析し,モデルの比較に関するガイダンスを提供する。
論文 参考訳（メタデータ） (2023-11-16T00:50:37Z) - Simulation-based, Finite-sample Inference for Privatized Data [14.218697973204065]
本稿では,統計的に有効な信頼区間と仮説テストを生成するためのシミュレーションベースの"repro sample"手法を提案する。
本手法は様々な個人推論問題に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-03-09T15:19:31Z) - Analyzing the Differentially Private Theil-Sen Estimator for Simple Linear Regression [0.9208007322096533]
DPTheilSenのプライバシーと精度特性を厳密に有限サンプル解析する。
我々は、その点推定に付随するために、差分プライベートな信頼区間を生成する方法を示す。
論文 参考訳（メタデータ） (2022-07-27T04:38:37Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Differentially private inference via noisy optimization [3.015622397986615]
本研究では, 雑音勾配降下法や雑音の強いニュートン法と併用して, 最適な個人推定値が得られることを示す。
シミュレーションにおける小サンプル実験性能の向上につながるバイアス補正の有効性を実証する。
論文 参考訳（メタデータ） (2021-03-19T19:55:55Z) - CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。
様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文 参考訳（メタデータ） (2020-10-22T12:39:11Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。