論文の概要: Shape And Structure Preserving Differential Privacy
- arxiv url: http://arxiv.org/abs/2209.12667v1
- Date: Wed, 21 Sep 2022 18:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:04:36.894632
- Title: Shape And Structure Preserving Differential Privacy
- Title(参考訳): 識別プライバシーを保持する形状と構造
- Authors: Carlos Soto and Karthik Bharath and Matthew Reimherr and Aleksandra
Slavkovic
- Abstract要約: 正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
- 参考スコア(独自算出の注目度): 70.08490462870144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is common for data structures such as images and shapes of 2D objects to
be represented as points on a manifold. The utility of a mechanism to produce
sanitized differentially private estimates from such data is intimately linked
to how compatible it is with the underlying structure and geometry of the
space. In particular, as recently shown, utility of the Laplace mechanism on a
positively curved manifold, such as Kendall's 2D shape space, is significantly
influences by the curvature. Focusing on the problem of sanitizing the
Fr\'echet mean of a sample of points on a manifold, we exploit the
characterisation of the mean as the minimizer of an objective function
comprised of the sum of squared distances and develop a K-norm gradient
mechanism on Riemannian manifolds that favors values that produce gradients
close to the the zero of the objective function. For the case of positively
curved manifolds, we describe how using the gradient of the squared distance
function offers better control over sensitivity than the Laplace mechanism, and
demonstrate this numerically on a dataset of shapes of corpus callosa. Further
illustrations of the mechanism's utility on a sphere and the manifold of
symmetric positive definite matrices are also presented.
- Abstract(参考訳): 2dオブジェクトの像や形状などのデータ構造が多様体上の点として表現されることは一般的である。
このようなデータからナトリウム化微分プライベート推定を生成するメカニズムの効用は、それが空間の基盤構造と幾何とどのように互換性があるかに密接に関連している。
特に、最近示したように、ケンドールの2次元形状空間のような正曲率多様体上のラプラス機構の有用性は曲率によって著しく影響を受ける。
多様体上の点のサンプルのfr\'echet平均をサニタイズする問題に焦点を当て、二乗距離の和からなる対象関数の最小化として平均のキャラクタリゼーションを利用し、対象関数の零点に近い勾配を生成する値を好むリーマン多様体上のk-ノルム勾配機構を開発する。
正の曲線多様体の場合、二乗距離関数の勾配を用いることでラプラス機構よりも感度の制御が良くなり、コーパスカロサの形状のデータセット上で数値的にこれを実証する。
さらに、球面上の機構の効用と対称正定値行列の多様体のさらなる例も示される。
関連論文リスト
- Latent Space Characterization of Autoencoder Variants [2.2940141855172036]
我々は、畳み込みオートエンコーダ(CAE)、復調オートエンコーダ(DAE)、変分オートエンコーダ(VAE)など、様々なオートエンコーダによって学習される潜伏空間の構造を特徴付ける。
また、距離保存変換を用いて行列多様体の点をヒルベルト空間に写像し、ヒルベルト空間で生成される部分空間を入力の歪みの関数として別のビューとする。
論文 参考訳(メタデータ) (2024-12-06T03:40:21Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - CAMEL: Curvature-Augmented Manifold Embedding and Learning [21.945022912830044]
高次元データ分類,次元縮小,可視化のために,CAMEL ( Curvature-Augmented Manifold Embedding and Learning) を提案する。
CAMELは様々なベンチマークデータセットで評価され、最先端の手法よりも優れていることが示されている。
論文 参考訳(メタデータ) (2023-03-05T03:12:50Z) - Geometric Scattering on Measure Spaces [15.819230791757906]
測度空間上での幾何散乱の一般統一モデルを導入する。
未知多様体をランダムにサンプリングして得られる有限測度空間を考える。
本稿では, 関連するグラフ散乱変換が基礎多様体上の散乱変換を近似するデータ駆動グラフを構築するための2つの方法を提案する。
論文 参考訳(メタデータ) (2022-08-17T22:40:09Z) - The Manifold Scattering Transform for High-Dimensional Point Cloud Data [16.500568323161563]
本稿では,自然システムにおけるデータセットへの多様体散乱変換の実装のための実践的スキームを提案する。
本手法は信号の分類や多様体の分類に有効であることを示す。
論文 参考訳(メタデータ) (2022-06-21T02:15:00Z) - Differential Privacy Over Riemannian Manifolds [9.453554184019108]
多様体上の固有距離と体積を利用するLaplace あるいは K-norm 機構の拡張について述べる。
我々は、我々の機構が速度最適であり、多様体の次元にのみ依存し、どんな周囲空間の次元にも依存しないことを示した。
論文 参考訳(メタデータ) (2021-11-03T20:43:54Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。
多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。
本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。
実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文 参考訳(メタデータ) (2020-07-07T10:04:28Z) - On the minmax regret for statistical manifolds: the role of curvature [68.8204255655161]
2つの部分のコードと最小記述長は、最高のモデルを選別するための手順を提供するのに成功している。
我々は、フィッシャー情報計量のスカラー曲率が支配的な役割を果たす複雑さによって与えられる標準表現よりも、よりシャープな表現を導出する。
論文 参考訳(メタデータ) (2020-07-06T17:28:19Z)
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。