論文の概要: d3p -- A Python Package for Differentially-Private Probabilistic Programming

• arxiv url: http://arxiv.org/abs/2103.11648v1
• Date: Mon, 22 Mar 2021 08:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:45:50.109608
• Title: d3p -- A Python Package for Differentially-Private Probabilistic Programming
• Title（参考訳）: d3p -- 異なるプロバビリズムプログラミングのためのPythonパッケージ
• Authors: Lukas Prediger, Niki Loppi, Samuel Kaski, Antti Honkela
• Abstract要約: 我々は,差分プライバシー保証の下で,実行時の効率の良いベイズ推論のフィールド化を支援するソフトウェアパッケージd3pを提案する。 d3pは微分プライベート変分推論アルゴリズムを実装して、広範囲の確率的モデリング問題に適用可能である。
• 参考スコア（独自算出の注目度）: 16.91407609966877
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present d3p, a software package designed to help fielding runtime efficient widely-applicable Bayesian inference under differential privacy guarantees. d3p achieves general applicability to a wide range of probabilistic modelling problems by implementing the differentially private variational inference algorithm, allowing users to fit any parametric probabilistic model with a differentiable density function. d3p adopts the probabilistic programming paradigm as a powerful way for the user to flexibly define such models. We demonstrate the use of our software on a hierarchical logistic regression example, showing the expressiveness of the modelling approach as well as the ease of running the parameter inference. We also perform an empirical evaluation of the runtime of the private inference on a complex model and find an $\sim$10 fold speed-up compared to an implementation using TensorFlow Privacy.
• Abstract（参考訳）: 差分プライバシ保証の下で,ランタイムを効率よく適用可能なベイズ推論のフィールド化を支援するソフトウェアパッケージd3pを提案する。 d3pは、微分プライベートな変分推論アルゴリズムを実装することにより、幅広い確率モデル問題に適用可能であり、任意のパラメトリック確率モデルを微分密度関数に適合させることができる。 d3pは、ユーザが柔軟にそのようなモデルを定義する強力な方法として確率的プログラミングパラダイムを採用する。 我々は,階層的ロジスティック回帰の例を用いて,モデリング手法の表現力とパラメータ推定の容易さを示すソフトウェアの使用例を示す。 また、複雑なモデル上でプライベート推論のランタイムを実証的に評価し、TensorFlow Privacyを使った実装と比較して、$\sim$10倍のスピードアップを見出す。

関連論文リスト

• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• Scalable Inference for Bayesian Multinomial Logistic-Normal Dynamic Linear Models [0.5735035463793009]
  この記事では、$textitFenrir$と呼ばれる、後続状態推定に対する効率的で正確なアプローチを開発します。 我々の実験から、フェンリルはスタンよりも3桁効率が良いことが示唆された。 当社のメソッドは,C++で記述されたユーザフレンドリなソフトウェアライブラリとして,Rインターフェースを備えたコミュニティで利用可能です。
  論文  参考訳（メタデータ） (2024-10-07T23:20:14Z)
• Efficient Incremental Belief Updates Using Weighted Virtual Observations [2.7195102129095003]
  モンテカルロ推論の文脈における漸進的信念更新問題に対するアルゴリズム的解を提案する。 このアプローチの効率性と堅牢性を示すために,多くの実践例とケーススタディにソリューションを実装し,適用する。
  論文  参考訳（メタデータ） (2024-02-10T12:48:49Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Conditional independence by typing [30.194205448457385]
  確率型プログラミング言語(PPL)の中心的な目標は、推論からモデリングを分離することである。 パラメータ間の条件独立(CI)関係は確率論的モデルの重要な側面である。 システム内の十分に型付けされたプログラムでは、その実装するディストリビューションは特定のCI関連性を持つことが保証されている。
  論文  参考訳（メタデータ） (2020-10-22T17:27:22Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Misspecification-robust likelihood-free inference in high dimensions [13.934999364767918]
  本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。 提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。 本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
  論文  参考訳（メタデータ） (2020-02-21T16:06:11Z)
• Automatic structured variational inference [12.557212589634112]
  自動構造化変分推論(ASVI)を導入する。 ASVIは、構造化変動族を構築するための完全に自動化された方法である。 私たちは、ASVIは他の一般的なアプローチと比較して、パフォーマンスが明らかに改善されていることに気付きました。
  論文  参考訳（メタデータ） (2020-02-03T10:52:30Z)

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。