論文の概要: Secure Bayesian Federated Analytics for Privacy-Preserving Trend Detection

• arxiv url: http://arxiv.org/abs/2107.13640v1
• Date: Wed, 28 Jul 2021 20:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 23:41:35.673823
• Title: Secure Bayesian Federated Analytics for Privacy-Preserving Trend Detection
• Title（参考訳）: プライバシー保護傾向検出のためのセキュアベイズフェデレーション分析
• Authors: Amit Chaulwar and Michael Huth
• Abstract要約: フェデレートされた分析は、サービス提供、製品開発、ユーザエクスペリエンスに関するより良い意思決定につながる可能性がある。 本稿では, ベイズ理論を用いて, キーワードがトレンドとなる確率を計算し, トレンド検出に対するベイズ的アプローチを提案する。 我々はベイズ連合分析のためのSAFEというプロトコルを提案し、プロダクショングレードのユースケースに十分なプライバシーを提供する。
• 参考スコア（独自算出の注目度）: 3.04585143845864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated analytics has many applications in edge computing, its use can lead to better decision making for service provision, product development, and user experience. We propose a Bayesian approach to trend detection in which the probability of a keyword being trendy, given a dataset, is computed via Bayes' Theorem; the probability of a dataset, given that a keyword is trendy, is computed through secure aggregation of such conditional probabilities over local datasets of users. We propose a protocol, named SAFE, for Bayesian federated analytics that offers sufficient privacy for production grade use cases and reduces the computational burden of users and an aggregator. We illustrate this approach with a trend detection experiment and discuss how this approach could be extended further to make it production-ready.
• Abstract（参考訳）: federated analyticsにはエッジコンピューティングに多くのアプリケーションがあり、その使用はサービス提供、製品開発、ユーザエクスペリエンスに対する意思決定の改善につながる可能性がある。 本稿では,キーワードがトレンドである確率をBayesの定理で計算し,キーワードがトレンドであることを前提としたデータセットの確率を,ユーザのローカルデータセット上の条件付き確率のセキュアな集計によって算出する,トレンド検出に対するベイズ的アプローチを提案する。 我々は,製品グレードのユースケースに対して十分なプライバシを提供し,ユーザとアグリゲータの計算負荷を軽減する,ベイズ連邦分析のためのsafeというプロトコルを提案する。 このアプローチをトレンド検出実験で説明し,本手法をさらに拡張して製品化可能にする方法について論じる。

関連論文リスト

• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• A Nonparametric Bayes Approach to Online Activity Prediction [11.934335703226404]
  特定の期間にアクティブになるユーザ数を予測するための新しい手法を提案する。 所定の期間に期待される新規ユーザ数に対するクローズドフォーム表現と,所望のユーザ数を達成するために必要な日数の後部分布を目標としたモンテカルロアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-01-26T09:11:42Z)
• A proposal to increase data utility on Global Differential Privacy data based on data use predictions [0.2999888908665658]
  提案手法は,DP保護下で公表された統計をアナリストがどのように利用するかの予測に基づく。 この新しいアプローチは、プライバシー制約を妥協することなく、データの有用性を改善することができる。
  論文  参考訳（メタデータ） (2024-01-12T14:34:30Z)
• Exact and Efficient Bayesian Inference for Privacy Risk Quantification (Extended Version) [0.0]
  Privugは、ソースコードを分析して、データ分析プログラムのプライバシーリスクを定量化する手法である。 推論エンジンはPythonプログラムのサブセット用に実装されている。 公共統計を公開するためのプログラムのプライバシーリスクを分析して評価する。
  論文  参考訳（メタデータ） (2023-08-31T13:04:04Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)
• Sequential Domain Adaptation by Synthesizing Distributionally Robust Experts [14.656957226255628]
  教師付きドメイン適応は、目標分布に近いソース分布からラベル付きトレーニングサンプルを追加することにより、予測精度を向上させることを目的としている。 我々は、提案した頑健な専門家の家系のBernsteinオンライン集約アルゴリズムを用いて、ターゲットサンプルの逐次的ストリームの予測を生成する。
  論文  参考訳（メタデータ） (2021-06-01T08:51:55Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Secure and Differentially Private Bayesian Learning on Distributed Data [17.098036331529784]
  本稿では,事前条件付きランゲヴィンダイナミクスとRMSpropを併用した分散ベイズ学習手法を提案する。 提案手法を分散データのロジスティック回帰と生存分析に応用し, 集中型手法と比較して, 予測精度と時間複雑性の観点からその可能性を示した。
  論文  参考訳（メタデータ） (2020-05-22T05:13:43Z)

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。