Fugu-MT 論文翻訳(概要): Privately Learning Subspaces

論文の概要: Privately Learning Subspaces

arxiv url: http://arxiv.org/abs/2106.00001v1
Date: Fri, 28 May 2021 21:09:23 GMT
ステータス: 処理完了
システム内更新日: 2021-06-02 14:03:28.558266
Title: Privately Learning Subspaces
Title（参考訳）: プライベートな学習部分空間
Authors: Vikrant Singhal, Thomas Steinke
Abstract要約: 本稿では,低次元線形部分空間からサンプルデータを取得し,その部分空間を出力する差分プライベートアルゴリズムを提案する。これらのアルゴリズムは、他のプロシージャの事前処理ステップとして機能する。
参考スコア（独自算出の注目度）: 16.805122710333826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Private data analysis suffers a costly curse of dimensionality. However, the data often has an underlying low-dimensional structure. For example, when optimizing via gradient descent, the gradients often lie in or near a low-dimensional subspace. If that low-dimensional structure can be identified, then we can avoid paying (in terms of privacy or accuracy) for the high ambient dimension. We present differentially private algorithms that take input data sampled from a low-dimensional linear subspace (possibly with a small amount of error) and output that subspace (or an approximation to it). These algorithms can serve as a pre-processing step for other procedures.
Abstract（参考訳）: プライベートデータ分析は次元性の高価な呪いに苦しむ。しかし、データは下層の低次元構造を持つことが多い。例えば、勾配降下による最適化では、勾配はしばしば低次元部分空間内または近辺にある。もしその低次元構造が特定できれば、高環境次元に対する(プライバシーや正確性の観点から)支払いを避けることができる。低次元線形部分空間からサンプリングされた入力データを(おそらく少量の誤差で)取得し、その部分空間(あるいは近似値)を出力する微分プライベートアルゴリズムを提案する。これらのアルゴリズムは、他の手順の前処理ステップとして機能することができる。

関連論文リスト

On Differentially Private Subspace Estimation in a Distribution-Free Setting [3.8888996044605855]
入力データセットにおける乗法的特異値ギャップの関数として「容易性」を定量化する最初の尺度を提供する。特に、この結果は、部分空間を推定するのに十分かつ必要となる、最初のタイプのギャップを決定する。
論文参考訳（メタデータ） (2024-02-09T15:17:53Z)
Choosing Public Datasets for Private Machine Learning via Gradient Subspace Distance [35.653510597396114]
差分的なプライベート勾配降下は、各反復にノイズを注入することで、モデルパラメータの数に応じてノイズの大きさが増加するモデルトレーニングを民営化する。近年の研究では、パブリックデータによって規定される部分空間に勾配を投影することにより、パブリックデータをプライベート機械学習に活用することでノイズを低減できることが示唆されている。我々は,公立と私設の例の勾配の低次元部分空間距離を測定することで,公開データセットを選択するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-02T13:36:28Z)
On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
論文参考訳（メタデータ） (2023-02-11T14:45:31Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
Side-effects of Learning from Low Dimensional Data Embedded in an Euclidean Space [3.093890460224435]
データ多様体の必要次元におけるネットワークの深さとノイズに関連する潜在的な正則化効果について検討する。また,騒音によるトレーニングの副作用も提示した。
論文参考訳（メタデータ） (2022-03-01T16:55:51Z)
A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-03-10T23:10:47Z)
Do Not Let Privacy Overbill Utility: Gradient Embedding Perturbation for Private Learning [74.73901662374921]
差分プライベートモデルは、モデルが多数のトレーニング可能なパラメータを含む場合、ユーティリティを劇的に劣化させる。偏微分プライベート深層モデルの精度向上のためのアルゴリズムemphGradient Embedding Perturbation (GEP)を提案する。
論文参考訳（メタデータ） (2021-02-25T04:29:58Z)
On the Differentially Private Nature of Perturbed Gradient Descent [15.554148012395457]
勾配降下アルゴリズムを用いて,データベースを与えられた経験的最小化の問題を考える。勾配降下アルゴリズムは典型的には差分サドル点から逃れるために用いられる。
論文参考訳（メタデータ） (2021-01-18T02:29:37Z)
Bypassing the Ambient Dimension: Private SGD with Gradient Subspace Identification [47.23063195722975]
微分プライベートSGD(DP-SGD)は、微分プライベートな経験的リスク最小化(ERM)を解決する最も一般的な方法の1つである。各勾配更新におけるノイズの多い摂動のため、DP-SGDの誤差率は、モデル内のパラメータ数である周囲次元$p$でスケールする。雑音勾配を低次元部分空間に投影することでノイズ低減を行うDP-SGDを提案する。
論文参考訳（メタデータ） (2020-07-07T22:31:01Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。