論文の概要: Private Quantiles Estimation in the Presence of Atoms
- arxiv url: http://arxiv.org/abs/2202.08969v1
- Date: Tue, 15 Feb 2022 09:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:02:11.988021
- Title: Private Quantiles Estimation in the Presence of Atoms
- Title（参考訳）: 原子の存在下でのプライベート量子量の推定
- Authors: Cl\'ement Lalanne (ENS Lyon), Cl\'ement Gastaud, Nicolas Grislain,
Aur\'elien Garivier (CB), R\'emi Gribonval (CB)
- Abstract要約: データセットの複数の量子化の差分プライベートな推定に対処する。
Non-smoothed JointExpは、ピークの分布において重要なパフォーマンスの欠如に悩まされている。
我々はHuristically Smoothed JointExpという,単純かつ数値的に効率的な手法を提案する。
- 参考スコア（独自算出の注目度）: 7.5072219939358105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the differentially private estimation of multiple quantiles (MQ)
of a dataset, a key building block in modern data analysis. We apply the recent
non-smoothed Inverse Sensitivity (IS) mechanism to this specific problem and
establish that the resulting method is closely related to the current
state-of-the-art, the JointExp algorithm, sharing in particular the same
computational complexity and a similar efficiency. However, we demonstrate both
theoretically and empirically that (non-smoothed) JointExp suffers from an
important lack of performance in the case of peaked distributions, with a
potentially catastrophic impact in the presence of atoms. While its smoothed
version would allow to leverage the performance guarantees of IS, it remains an
open challenge to implement. As a proxy to fix the problem we propose a simple
and numerically efficient method called Heuristically Smoothed JointExp
(HSJointExp), which is endowed with performance guarantees for a broad class of
distributions and achieves results that are orders of magnitude better on
problematic datasets.
- Abstract（参考訳）: 現代のデータ分析において重要な構成要素であるデータセットの複数の量子量体(mq)の差分プライベートな推定に対処します。
本研究では,近年の非スムース型逆感度(is)機構をこの問題に適用し,その手法が現在のジョイントexpアルゴリズムと密接に関連していることを示す。
しかし、我々は(非平滑な)JointExpがピーク分布の場合に重要な性能の欠如に悩まされ、原子の存在に破滅的な影響を及ぼす可能性を実証した。
そのスムーズなバージョンは、ISのパフォーマンス保証を活用できるが、実装にはオープンな課題である。
この問題を解決するためのプロキシとして,Huristically Smoothed JointExp (HSJointExp) と呼ばれる単純かつ数値的に効率的な手法を提案する。
関連論文リスト
- TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - Measurement Simplification in ρ-POMDP with Performance Guarantees [6.129902017281406]
不確実性の下での意思決定は、不完全な情報で行動する自律システムの中心にある。
本稿では,高次元観測空間を分割することで,効率的な意思決定手法を提案する。
境界は適応的で、計算効率が良く、元の解に収束していることが示される。
論文 参考訳（メタデータ） (2023-09-19T15:40:42Z) - Exploiting Structure for Optimal Multi-Agent Bayesian Decentralized
Estimation [4.320393382724066]
ベイジアン分権データ融合の鍵となる課題は、噂の伝播(double counting)現象である。
マルチエージェント分散核融合問題における確率的独立構造を利用して、より厳密な境界を求めることができることを示す。
次に、大規模目標追跡シミュレーションを用いて、新しいモノリシックCIアルゴリズムを試験し、より厳密な境界とより正確な推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-07-20T05:16:33Z) - 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) - Federated Expectation Maximization with heterogeneity mitigation and
variance reduction [0.0]
本稿では、潜在変数モデルに対する期待最大化(EM)アルゴリズムの最初の拡張であるFedEMを紹介する。
通信の複雑さを軽減するため、FedEMは十分なデータ統計を適切に定義した。
その結果,生物多様性モニタリングに欠落した値の計算処理を応用した理論的知見が得られた。
論文 参考訳（メタデータ） (2021-11-03T09:14:34Z) - Domain Generalization via Domain-based Covariance Minimization [4.414778226415752]
本稿では,領域間の条件分布の差を最小限に抑えるために,複数の領域に対する新しい分散測定法を提案する。
小規模なデータセットでは、未確認のテストデータセットよりも優れた一般化性能を示す、より良い定量的結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-12T19:30:15Z) - Probabilistic Simplex Component Analysis [66.30587591100566]
PRISMは、データ循環記述のシンプルさの頂点をデータから識別する確率論的シンプルコンポーネント分析手法である。
この問題には多様な応用があり、最も注目すべきはリモートセンシングにおけるハイパースペクトルアンミックスと機械学習における非負行列分解である。
論文 参考訳（メタデータ） (2021-03-18T05:39:00Z) - A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。
統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。
本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文 参考訳（メタデータ） (2021-01-25T09:46:14Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z) - Polynomial-Time Exact MAP Inference on Discrete Models with Global
Dependencies [83.05591911173332]
ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。
本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
論文 参考訳（メタデータ） (2019-12-27T13:30:29Z)
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。