論文の概要: Relaxed Marginal Consistency for Differentially Private Query Answering
- arxiv url: http://arxiv.org/abs/2109.06153v1
- Date: Mon, 13 Sep 2021 17:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 18:29:19.971689
- Title: Relaxed Marginal Consistency for Differentially Private Query Answering
- Title（参考訳）: リラクシブ・プライベートな問合せ解答用マージナル整合性
- Authors: Ryan McKenna, Siddhant Pradhan, Daniel Sheldon, Gerome Miklau
- Abstract要約: Private-PGMは、グラフィカルモデルを使用してデータ分散を表現する最近のアプローチである。
Private-PGMはスパース測定には高いスケーラビリティがあるが、密度測定で高次元での動作に失敗する可能性がある。
推定対象の一貫性制約を緩和する原理的アプローチにより,Private-PGMの主な限界を克服する。
- 参考スコア（独自算出の注目度）: 19.276819678442532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many differentially private algorithms for answering database queries involve
a step that reconstructs a discrete data distribution from noisy measurements.
This provides consistent query answers and reduces error, but often requires
space that grows exponentially with dimension. Private-PGM is a recent approach
that uses graphical models to represent the data distribution, with complexity
proportional to that of exact marginal inference in a graphical model with
structure determined by the co-occurrence of variables in the noisy
measurements. Private-PGM is highly scalable for sparse measurements, but may
fail to run in high dimensions with dense measurements. We overcome the main
scalability limitation of Private-PGM through a principled approach that
relaxes consistency constraints in the estimation objective. Our new approach
works with many existing private query answering algorithms and improves
scalability or accuracy with no privacy cost.
- Abstract（参考訳）: データベースクエリに応答する多くの差分プライベートアルゴリズムは、ノイズ測定から離散データ分布を再構築するステップを含む。
これは一貫したクエリ応答を提供し、エラーを減らすが、しばしば次元で指数関数的に増加する空間を必要とする。
プライベートPGMは, ノイズ測定における変数の共起によって決定される構造を持つグラフィカルモデルにおいて, 厳密な辺縁推論に比例した複雑性を持つ, グラフィカルモデルを用いてデータ分布を表現する最近のアプローチである。
Private-PGMはスパース測定には非常にスケーラブルであるが、密度測定で高次元で動作できない可能性がある。
推定対象の一貫性制約を緩和する原理的アプローチにより,Private-PGMの主なスケーラビリティ制限を克服する。
我々の新しいアプローチは、多くの既存のプライベートクエリ応答アルゴリズムと連携し、プライバシコストなしでスケーラビリティや精度を改善します。
関連論文リスト
- Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - 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) - Robustness Implies Privacy in Statistical Estimation [16.061651295129302]
本研究では,高次元統計学における敵のプライバシーと差分プライバシーの関係について検討する。
プライバシーから堅牢性への最初のブラックボックスの削減は、最適なトレードオフを伴うプライベートな推定器を生み出すことができる。
また, アルゴリズムは, ほぼ最適に崩壊したサンプルに対して頑健である。
論文 参考訳（メタデータ） (2022-12-09T18:07:30Z) - Privacy Induces Robustness: Information-Computation Gaps and Sparse Mean
Estimation [8.9598796481325]
本稿では, アルゴリズムと計算複雑性の両面において, 異なる統計問題に対する観測結果について検討する。
プライベートスパース平均推定のための情報計算ギャップを確立する。
また、プライバシーによって引き起こされる情報計算のギャップを、いくつかの統計や学習問題に対して証明する。
論文 参考訳（メタデータ） (2022-11-01T20:03:41Z) - Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。
我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文 参考訳（メタデータ） (2022-08-12T06:52:55Z) - Private measures, random walks, and synthetic data [7.5764890276775665]
微分プライバシーは、情報理論のセキュリティ保証を提供する数学的概念である。
我々は、プライベートな合成データを効率的に構築できるデータセットからプライベートな尺度を開発する。
我々の構築における重要な要素は、独立確率変数と同様の連立分布を持つ新しい超規則ランダムウォークである。
論文 参考訳（メタデータ） (2022-04-20T00:06:52Z) - Generalizable Mixed-Precision Quantization via Attribution Rank
Preservation [90.26603048354575]
効率的な推論のための一般化可能な混合精度量子化法(GMPQ)を提案する。
提案手法は,最先端の混合精度ネットワークと比較し,競合精度・複雑度トレードオフを求める。
論文 参考訳（メタデータ） (2021-08-05T16:41:57Z) - Robust and Differentially Private Mean Estimation [40.323756738056616]
異なるプライバシーは、米国国勢調査から商用デバイスで収集されたデータまで、さまざまなアプリケーションで標準要件として浮上しています。
このようなデータベースの数は、複数のソースからのデータからなり、それらすべてが信頼できるわけではない。
これにより、既存のプライベート分析は、腐敗したデータを注入する敵による攻撃に弱い。
論文 参考訳（メタデータ） (2021-02-18T05:02:49Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z) - Designing Differentially Private Estimators in High Dimensions [0.0]
本研究では,高次元環境下での個人平均推定について検討する。
高次元ロバスト統計学における最近の研究で、計算的に抽出可能な平均推定アルゴリズムが特定されている。
論文 参考訳（メタデータ） (2020-06-02T21:17:30Z)
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。