Fugu-MT 論文翻訳(概要): Analyzing the Differentially Private Theil-Sen Estimator for Simple Linear Regression

論文の概要: Analyzing the Differentially Private Theil-Sen Estimator for Simple Linear Regression

arxiv url: http://arxiv.org/abs/2207.13289v2
Date: Mon, 11 Mar 2024 23:28:06 GMT
ステータス: 処理完了
システム内更新日: 2024-03-17 17:20:31.196660
Title: Analyzing the Differentially Private Theil-Sen Estimator for Simple Linear Regression
Title（参考訳）: 簡易線形回帰のための分別的シイルセン推定器の解析
Authors: Jayshree Sarathy, Salil Vadhan,
Abstract要約: DPTheilSenのプライバシーと精度特性を厳密に有限サンプル解析する。我々は、その点推定に付随するために、差分プライベートな信頼区間を生成する方法を示す。
参考スコア（独自算出の注目度）: 0.9208007322096533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study differentially private point and confidence interval estimators for simple linear regression. Motivated by recent work that highlights the strong empirical performance of an algorithm based on robust statistics, DPTheilSen, we provide a rigorous, finite-sample analysis of its privacy and accuracy properties, offer guidance on setting hyperparameters, and show how to produce differentially private confidence intervals to accompany its point estimates.
Abstract（参考訳）: 本稿では,単純な線形回帰に対する差分プライベート点と信頼区間推定器について検討する。 DPTheilSenは、頑健な統計に基づくアルゴリズムの強い経験的性能を強調した最近の研究によって、そのプライバシーと精度特性の厳密な有限サンプル分析を提供し、ハイパーパラメータの設定に関するガイダンスを提供し、その点推定に付随する微分プライベートな信頼区間を生成する方法を示している。

関連論文リスト

Finite Sample Confidence Regions for Linear Regression Parameters Using Arbitrary Predictors [1.6860963320038902]
線形モデルのパラメータに対する信頼領域を構築するための新しい手法を任意の予測器からの予測を用いて検討する。導出された信頼領域は、混合線形プログラミングフレームワーク内の制約としてキャストすることができ、線形目的の最適化を可能にする。従来の手法とは異なり、信頼領域は空であり、仮説テストに使用できる。
論文参考訳（メタデータ） (2024-01-27T00:15:48Z)
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)
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)
Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文参考訳（メタデータ） (2022-02-14T16:42:16Z)
Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文参考訳（メタデータ） (2021-11-12T06:36:40Z)
An automatic differentiation system for the age of differential privacy [65.35244647521989]
Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
論文参考訳（メタデータ） (2021-09-22T08:07:42Z)
Differentially private inference via noisy optimization [3.015622397986615]
本研究では, 雑音勾配降下法や雑音の強いニュートン法と併用して, 最適な個人推定値が得られることを示す。シミュレーションにおける小サンプル実験性能の向上につながるバイアス補正の有効性を実証する。
論文参考訳（メタデータ） (2021-03-19T19:55:55Z)
CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文参考訳（メタデータ） (2020-10-22T12:39:11Z)
Parametric Bootstrap for Differentially Private Confidence Intervals [8.781431682774484]
本研究では,個人差分パラメトリック推定のための信頼区間を構築するための実用的,汎用的なアプローチを開発する。パラメトリックブートストラップは単純で効果的な解であることがわかった。
論文参考訳（メタデータ） (2020-06-14T00:08:19Z)
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)

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。