論文の概要: Robust Testing and Estimation under Manipulation Attacks

• arxiv url: http://arxiv.org/abs/2104.10740v1
• Date: Wed, 21 Apr 2021 19:49:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:40:38.964964
• Title: Robust Testing and Estimation under Manipulation Attacks
• Title（参考訳）: マニピュレーションアタック時のロバスト試験と推定
• Authors: Jayadev Acharya, Ziteng Sun, Huanyu Zhang
• Abstract要約: 強汚染モデルにおける離散分布の堅牢な試験と推定について検討する。 我々は「集中的設定」と「情報制約付き分散設定」の両方を考慮する。
• 参考スコア（独自算出の注目度）: 32.95545820578349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study robust testing and estimation of discrete distributions in the strong contamination model. We consider both the "centralized setting" and the "distributed setting with information constraints" including communication and local privacy (LDP) constraints. Our technique relates the strength of manipulation attacks to the earth-mover distance using Hamming distance as the metric between messages(samples) from the users. In the centralized setting, we provide optimal error bounds for both learning and testing. Our lower bounds under local information constraints build on the recent lower bound methods in distributed inference. In the communication constrained setting, we develop novel algorithms based on random hashing and an $\ell_1/\ell_1$ isometry.
• Abstract（参考訳）: 強い汚染モデルにおける離散分布のロバストな試験と推定について検討した。 我々は、コミュニケーションやローカルプライバシ(LDP)の制約を含む「情報制約付き分散設定」と「情報制約付き分散設定」の両方を考慮する。 本手法は,ユーザからのメッセージ(サンプル)間の距離としてハミング距離を用いた土間距離に対する操作攻撃の強さに関するものである。 集中的な設定では、学習とテストの両方に最適なエラー境界を提供する。 ローカル情報制約下の下限は、分散推論の最近の下限メソッドに基づいている。 通信制約設定において、ランダムハッシュと$\ell_1/\ell_1$等尺に基づく新しいアルゴリズムを開発する。

関連論文リスト

• Sketches-based join size estimation under local differential privacy [3.0945730947183203]
  機密データの結合サイズ推定は、プライバシー漏洩のリスクをもたらす。 ローカルディファレンシャルプライバシ(LDP)は、機密データを収集しながらプライバシを保存するソリューションである。 スケッチベースジョインサイズ推定のための LDPJoinSketch という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-19T01:21:54Z)
• Distributed Multi-Task Learning for Stochastic Bandits with Context Distribution and Stage-wise Constraints [0.0]
  本稿では,分散上信頼度境界(UCB)アルゴリズム,関連UCBを提案する。 提案アルゴリズムは,各ラウンドにおいて,制約を満たすためにプルーニングされた動作セットを構築する。 合成データと実世界のMovielens-100Kデータに対するアルゴリズムの性能を実証的に検証した。
  論文  参考訳（メタデータ） (2024-01-21T18:43:55Z)
• Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
  本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。 候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
  論文  参考訳（メタデータ） (2020-11-08T16:48:02Z)
• Estimating Sparse Discrete Distributions Under Local Privacy and Communication Constraints [46.944178305032146]
  局所差分プライバシー(LDP)と通信制約下での分散分布を推定する問題を考察する。 我々は, LDP制約下でのスパース推定におけるサンプル複雑性と, 対数係数までの通信制約下でのサンプル複雑性を特徴付ける。
  論文  参考訳（メタデータ） (2020-10-30T20:06:35Z)
• Unified lower bounds for interactive high-dimensional estimation under information constraints [40.339506154827106]
  我々は、異なるパラメトリックな分布族に対して、様々な(八)ミニマックスの下限を導出できる統一的なフレームワークを提供する。 我々の下界フレームワークは汎用的であり、幅広い推定問題に適用可能な「プラグ・アンド・プレイ」境界が得られる。
  論文  参考訳（メタデータ） (2020-10-13T17:25:19Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Minimax optimal goodness-of-fit testing for densities and multinomials under a local differential privacy constraint [3.265773263570237]
  適合性テストにおける局所的な差分プライバシー制約の影響を考察する。 本稿では,未知密度の滑らか度パラメータに適応し,対数係数まで最小限の最適値を維持するテストを提案する。
  論文  参考訳（メタデータ） (2020-02-11T08:41:05Z)

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。