論文の概要: Majority Vote for Distributed Differentially Private Sign Selection

• arxiv url: http://arxiv.org/abs/2209.04419v2
• Date: Tue, 4 Jun 2024 15:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 16:52:40.871130
• Title: Majority Vote for Distributed Differentially Private Sign Selection
• Title（参考訳）: 分散差分符号選択のための多数投票
• Authors: Weidong Liu, Jiyuan Tu, Xiaojun Mao, Xi Chen,
• Abstract要約: 本稿では,分散セットアップにおける符号選択問題に対する分散グループ差分なプライマリティー投票機構を提案する。 適用性を向上させるために,平均回帰問題と線形回帰問題に対するプライベートサインの選択について検討する。
• 参考スコア（独自算出の注目度）: 9.682477614512157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-preserving data analysis has become more prevalent in recent years. In this study, we propose a distributed group differentially private Majority Vote mechanism, for the sign selection problem in a distributed setup. To achieve this, we apply the iterative peeling to the stability function and use the exponential mechanism to recover the signs. For enhanced applicability, we study the private sign selection for mean estimation and linear regression problems, in distributed systems. Our method recovers the support and signs with the optimal signal-to-noise ratio as in the non-private scenario, which is better than contemporary works of private variable selections. Moreover, the sign selection consistency is justified by theoretical guarantees. Simulation studies are conducted to demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 近年、プライバシー保護データ分析が普及している。 本研究では,分散環境での符号選択問題に対して,分散グループに差分プライベートな多数決投票機構を提案する。 これを実現するために,安定度関数に反復剥離を適用し,指数的機構を用いて標識を復元する。 適用性を向上させるために,分散システムにおける平均推定および線形回帰問題に対するプライベートサインの選択について検討する。 提案手法は,従来のプライベート変数選択法よりも優れた非プライベートシナリオのように,最適な信号対雑音比を持つサポートとサインを復元する。 さらに、符号選択整合性は理論的な保証によって正当化される。 提案手法の有効性を実証するためにシミュレーション研究を行った。

関連論文リスト

• An Efficient Difference-of-Convex Solver for Privacy Funnel [3.069335774032178]
  本稿では,プライバシ・ファンネル(PF)手法の効率的な解法を提案する。 提案した直流分離は, クローズドフォーム更新方程式を導出する。 提案手法をMNISTおよびFashionデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-03-02T01:05:25Z)
• 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)
• Learning Fair Policies for Multi-stage Selection Problems from Observational Data [4.282745020665833]
  我々は、観測データから多段階選択問題に対する公正なポリシーを学習する問題を考察する。 この問題は、企業の雇用、ローン承認、または、選択された結果のみが観察されるような保釈決定など、いくつかの高い評価の領域で発生する。 本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-20T16:33:15Z)
• Optimal Unbiased Randomizers for Regression with Label Differential Privacy [61.63619647307816]
  ラベル差分プライバシ(DP)の制約の下で回帰モデルをトレーニングするためのラベルランダム化器の新たなファミリーを提案する。 これらのランダム化器は、いくつかのデータセット上で最先端のプライバシユーティリティトレードオフを実現することを実証する。
  論文  参考訳（メタデータ） (2023-12-09T19:58:34Z)
• On the Computational Complexity of Private High-dimensional Model Selection [18.964255744068122]
  プライバシー制約下での高次元疎線形回帰モデルにおけるモデル選択の問題点を考察する。 本稿では, 効率的なメトロポリス・ハスティングスアルゴリズムを提案し, 一定の規則性条件下では, 定常分布への混合時間を享受できることを確かめる。
  論文  参考訳（メタデータ） (2023-10-11T19:53:15Z)
• Training generative models from privatized data [9.584000954415476]
  ローカル差分プライバシーは、プライバシを保存するデータ収集の強力な方法である。 本研究では,GAN(Generative Adversarial Networks)を差分民営化データに基づいて学習するためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-06-15T23:28:45Z)
• Regression with Label Differential Privacy [64.21020761920322]
  与えられた回帰損失関数の下で最適なラベルDPランダム化機構を導出する。 我々は、最適メカニズムが「ビンのランダム化応答」の形をとることを証明した。
  論文  参考訳（メタデータ） (2022-12-12T17:41:32Z)
• A Survey on Preserving Fairness Guarantees in Changing Environments [4.926395463398194]
  アルゴリズムフェアネスの文献は、過去10年間に大きく成長してきた。 実際には、トレーニング環境とデプロイメント環境の相違が存在する。 公正性を保証する方法を研究する緊急研究線がある。
  論文  参考訳（メタデータ） (2022-11-14T17:02:19Z)
• Local Graph-homomorphic Processing for Privatized Distributed Systems [57.14673504239551]
  付加雑音は学習モデルの性能に影響を与えないことを示す。 これは、分散アルゴリズムの差分プライバシーに関する以前の研究に対して、大きな改善である。
  論文  参考訳（メタデータ） (2022-10-26T10:00:14Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。