Fugu-MT 論文翻訳(概要): Private independence testing across two parties

論文の概要: Private independence testing across two parties

arxiv url: http://arxiv.org/abs/2207.03652v2
Date: Tue, 26 Sep 2023 23:46:02 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 00:14:03.999405
Title: Private independence testing across two parties
Title（参考訳）: 2つの政党の私的独立試験
Authors: Praneeth Vepakomma, Mohammad Mohammadi Amiri, Cl\'ement L. Canonne, Ramesh Raskar, Alex Pentland
Abstract要約: $pi$-testは、複数のパーティに分散したデータ間の統計的独立性をテストするための、プライバシ保護アルゴリズムである。差分プライベートテストの有用性に基づいて,加法的および乗法的エラー境界を確立する。
参考スコア（独自算出の注目度）: 21.236868468146348
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce $\pi$-test, a privacy-preserving algorithm for testing statistical independence between data distributed across multiple parties. Our algorithm relies on privately estimating the distance correlation between datasets, a quantitative measure of independence introduced in Sz\'ekely et al. [2007]. We establish both additive and multiplicative error bounds on the utility of our differentially private test, which we believe will find applications in a variety of distributed hypothesis testing settings involving sensitive data.
Abstract（参考訳）: 我々は,複数のパーティに分散したデータ間の統計的独立性をテストするプライバシ保存アルゴリズムである$\pi$-testを導入する。我々のアルゴリズムは、Sz\ekely et alで導入された独立性の定量的尺度であるデータセット間の距離相関をプライベートに推定することに依存している。 [2007]. 我々は,機密データを含む様々な分散仮説テスト環境で応用されるであろう,微分プライベートテストの有用性について,加法と乗法の両方の誤差境界を定めている。

関連論文リスト

Federated Experiment Design under Distributed Differential Privacy [31.06808163362162]
我々は,サービス提供者に対する信頼を最小限にしつつ,ユーザのプライバシの厳格な保護に注力する。現代のA/Bテストにおいて重要な要素であるが、これまではプライベート分散実験は研究されていない。これらのメカニズムは、実際に一般的に見られる非常に多くの参加者を扱うために、どのようにスケールアップできるかを示す。
論文参考訳（メタデータ） (2023-11-07T22:38:56Z)
Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
論文参考訳（メタデータ） (2023-04-29T01:30:33Z)
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)
Differentially Private Confidence Intervals for Proportions under Stratified Random Sampling [14.066813980992132]
データプライバシの意識の高まりに伴い、プライベートバージョンの信頼区間の開発が注目されている。最近の研究は個人的信頼区間で行われているが、個人的信頼区間では厳密な方法論が研究されていない。階層化されたランダムサンプリングの下で,信頼区間を構成するための3つの差分プライベートアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-19T21:25:41Z)
Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文参考訳（メタデータ） (2022-12-14T18:08:42Z)
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文参考訳（メタデータ） (2022-08-24T17:52:43Z)
Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
論文参考訳（メタデータ） (2022-01-24T02:45:03Z)
Data-Driven Representations for Testing Independence: Modeling, Analysis and Connection with Mutual Information Estimation [3.9023554886892433]
この研究は、データ駆動パーティションの設計から、2つの連続および有限次元のランダム変数の独立性をテストする。オラクルテストの十分な統計量の近似は、データ駆動パーティションを設計するための学習基準を提供する。いくつかの実験分析は、データ駆動表現を使用しないいくつかの戦略と比較して、テスト独立性に対する我々のスキームの利点に関する証拠を提供する。
論文参考訳（メタデータ） (2021-10-27T02:06:05Z)
Private measurement of nonlinear correlations between data hosted across multiple parties [14.93584434176082]
2つのエンティティにまたがる機密データ間の非線形相関を計測する微分プライベート手法を提案する。この研究は、プライベートフィーチャースクリーニング、プライベートインデペンデントテスト、プライベートkサンプルテスト、プライベートマルチパーティ因果推論、プライベートデータ合成に直接適用することができる。
論文参考訳（メタデータ） (2021-10-19T00:31:26Z)
Two-Sample Testing on Ranked Preference Data and the Role of Modeling Assumptions [57.77347280992548]
本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。私たちのテストでは、基本的に分布に関する仮定は必要ありません。実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
論文参考訳（メタデータ） (2020-06-21T20:51:09Z)
Automated extraction of mutual independence patterns using Bayesian comparison of partition models [7.6146285961466]
相互独立は、変数間の構造的関係を特徴づける統計学における重要な概念である。相互独立を調査するための既存の手法は、2つの競合するモデルの定義に依存している。本稿では,マルコフ連鎖モンテカルロ(MCMC)アルゴリズムを提案し,相互独立性のすべてのパターンの空間上の後部分布を数値的に近似する。
論文参考訳（メタデータ） (2020-01-15T16:21:48Z)

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。