論文の概要: A Framework for Adversarial Streaming via Differential Privacy and Difference Estimators

• arxiv url: http://arxiv.org/abs/2107.14527v1
• Date: Fri, 30 Jul 2021 10:20:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 12:54:41.779224
• Title: A Framework for Adversarial Streaming via Differential Privacy and Difference Estimators
• Title（参考訳）: ディファレンシャルプライバシと差分推定子を用いた敵対的ストリーミングの枠組み
• Authors: Idan Attias, Edith Cohen, Moshe Shechner, Uri Stemmer
• Abstract要約: 本稿では,適応的相手が入力ストリームを選択した場合でも,証明可能な保証を提供するストリーミングアルゴリズムについて検討する。 本稿では,最近提案された2つのフレームワークをハイブリッドした,敵対的ストリーミングのための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.151761714896118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming algorithms are algorithms for processing large data streams, using only a limited amount of memory. Classical streaming algorithms operate under the assumption that the input stream is fixed in advance. Recently, there is a growing interest in studying streaming algorithms that provide provable guarantees even when the input stream is chosen by an adaptive adversary. Such streaming algorithms are said to be {\em adversarially-robust}. We propose a novel framework for adversarial streaming that hybrids two recently suggested frameworks by Hassidim et al. (2020) and by Woodruff and Zhou (2021). These recently suggested frameworks rely on very different ideas, each with its own strengths and weaknesses. We combine these two frameworks (in a non-trivial way) into a single hybrid framework that gains from both approaches to obtain superior performances for turnstile streams.
• Abstract（参考訳）: ストリーミングアルゴリズムは、限られたメモリ量で大規模なデータストリームを処理するアルゴリズムである。 古典的なストリーミングアルゴリズムは、入力ストリームが予め固定されていると仮定して動作する。 近年,適応的相手によって入力ストリームが選択された場合でも,証明可能な保証を提供するストリーミングアルゴリズムの研究への関心が高まっている。 このようなストリーミングアルゴリズムは逆ロバストであると言われている。 本稿では,Hassidimらが最近提案した2つのフレームワークをハイブリッドした,逆ストリーミングのための新しいフレームワークを提案する。 (2020年)、ウッドラフと周(2021年)。 最近提案されたフレームワークは、それぞれ独自の強みと弱みを持つ、まったく異なるアイデアに依存している。 これら2つのフレームワーク(非自明な方法で)を、ターンタイルストリームの優れたパフォーマンスを得るために、両方のアプローチから得られる単一のハイブリッドフレームワークに組み合わせます。

関連論文リスト

• Fast White-Box Adversarial Streaming Without a Random Oracle [48.45771871410984]
  我々は,従来の無作為なコインとストリーミングアルゴリズムが使用するパラメータに,敵対者がアクセス可能な強力なホワイトボックス逆数モデルを考える。 我々はスパースリカバリ問題に焦点を合わせ、その結果を異なる要素推定などのタスクに拡張する。 ホワイトボックス逆数ストリームにおけるスパースリカバリ問題に対する準最適解を構築し, 誤りを仮定した学習に基づく。
  論文  参考訳（メタデータ） (2024-06-10T21:23:19Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Revisiting Random Channel Pruning for Neural Network Compression [159.99002793644163]
  チャネル(または3Dフィルタ)プルーニングは、ニューラルネットワークの推論を加速する有効な方法である。 本稿では,ランダムな探索により,プルーンドモデルのチャネル構成を決定することを試みる。 この単純な戦略は、他のチャネルプルーニング手法と比較して非常にうまく機能することを示す。
  論文  参考訳（メタデータ） (2022-05-11T17:59:04Z)
• Triangle and Four Cycle Counting with Predictions in Graph Streams [59.05440236993604]
  三角形の数と4サイクルを推定するための,データ駆動型ワンパスストリーミングアルゴリズムを提案する。 従来の"古典的"アルゴリズムを改善するために、ストリーム要素の特定の特性を予測できるトレーニングされたオラクルを使用します。 提案手法は,従来のマルチパスおよびランダム順序ストリーミングアルゴリズムを特殊なケースとみなすことができるため,従来の"古典的"ストリーミングアルゴリズムの取り組みを拡大する。
  論文  参考訳（メタデータ） (2022-03-17T19:26:00Z)
• Improved Multi-objective Data Stream Clustering with Time and Memory Optimization [0.0]
  本稿では,新しいデータストリームクラスタリング手法(IMOC-Stream)を提案する。 2つの異なる目的関数を使用して、データの異なる側面をキャプチャする。 実験により, 任意の形状, コンパクト, 分離されたクラスタにデータストリームを分割できることを示す。
  論文  参考訳（メタデータ） (2022-01-13T17:05:56Z)
• Adversarial Robustness of Streaming Algorithms through Importance Sampling [29.957317489789745]
  我々は、中央の機械学習とアルゴリズムタスクに逆向きに頑健なストリーミングアルゴリズムを導入する。 我々の結果は、多くの重要なサンプリングベースのアルゴリズムが敵の堅牢性をもたらすという、単純だが強力で観察に基づいている。 我々は、様々な敵攻撃に対するアルゴリズムの堅牢性を実証的に確認し、対照的に、いくつかの一般的なアルゴリズムは堅牢ではないことを示す。
  論文  参考訳（メタデータ） (2021-06-28T19:24:11Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• Ranking and benchmarking framework for sampling algorithms on synthetic data streams [0.0]
  ビッグデータ、AI、ストリーミング処理では、複数のソースから大量のデータを処理します。 メモリとネットワークの制限のため、分散システム上のデータストリームを処理し、計算とネットワークの負荷を軽減する。 概念のドリフトに反応するアルゴリズムを提供し、我々のフレームワークを用いた最先端のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-06-17T14:25:07Z)
• Adversarially Robust Streaming Algorithms via Differential Privacy [68.3608356069755]
  データストリームが不正に選択された場合でも、その精度保証が維持されている場合、ストリーミングアルゴリズムは逆向きに堅牢であると言われている。 ストリーミングアルゴリズムの逆強靭性と差分プライバシーの概念の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-13T14:49:38Z)

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。