論文の概要: Concentration of the exponential mechanism and differentially private
multivariate medians
- arxiv url: http://arxiv.org/abs/2210.06459v1
- Date: Wed, 12 Oct 2022 17:56:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:53:28.303314
- Title: Concentration of the exponential mechanism and differentially private
multivariate medians
- Title(参考訳): 指数的機構の濃度と微分プライベートな多変量中央値
- Authors: Kelly Ramsay, Aukosh Jagannath, Shoja'eddin Chenouri
- Abstract要約: 人口目標関数の最大値に関する指数的メカニズムの出力に対する濃度不等式を証明した。
Cauchyの限界の下では、重み付けされた位置推定のコストがプライバシーのコストよりも高いことを示している。
- 参考スコア(独自算出の注目度): 2.1485350418225244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We prove concentration inequalities for the output of the exponential
mechanism about the maximizer of the population objective function. This bound
applies to objective functions that satisfy a mild regularity condition. To
illustrate our result, we study the problem of differentially private
multivariate median estimation. We present novel finite-sample performance
guarantees for differentially private multivariate depth-based medians which
are essentially sharp. Our results cover commonly used depth functions, such as
the halfspace (or Tukey) depth, spatial depth, and the integrated dual depth.
We show that under Cauchy marginals, the cost of heavy-tailed location
estimation outweighs the cost of privacy. We demonstrate our results
numerically using a Gaussian contamination model in dimensions up to $d = 100$,
and compare them to a state-of-the-art private mean estimation algorithm.
- Abstract(参考訳): 人口目標関数の最大値に関する指数的メカニズムの出力に対する濃度不等式を証明した。
この境界は、軽度正規性条件を満たす客観的関数に適用される。
この結果を説明するために、微分プライベートな多変量中央値推定の問題について検討する。
本質的にシャープな多変量深度中央値に対する新しい有限サンプル性能保証法を提案する。
この結果は、半空間(またはタキー)深度、空間深度、統合二重深度など、よく使われる深度関数をカバーする。
Cauchyの限界の下では、重み付けされた位置推定のコストがプライバシーのコストよりも高いことを示している。
本研究では, ガウス汚染モデルを用いて, 最大次元が$d=100$までの数値計算を行い, 最先端のプライベート平均推定アルゴリズムと比較した。
関連論文リスト
- Differentially private projection-depth-based medians [0.0]
提案手法(PTR)と指数関数機構を用いて,$(epsilon,delta)$differentially private projection-depth-based mediansを開発した。
PTRにおけるテストが失敗する確率と、有限サンプル偏差によるプライバシコストを定量化する。
論文 参考訳(メタデータ) (2023-12-12T23:17:29Z) - Anomaly Detection with Variance Stabilized Density Estimation [67.96748304066827]
密度推定に基づく異常検出スキームは、通常、低密度領域に存在する異常をモデル化する。
修正された密度推定問題を提案し,その異常検出の有効性を実証する。
論文 参考訳(メタデータ) (2023-06-01T11:52:58Z) - General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean
Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。
すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文 参考訳(メタデータ) (2023-01-31T18:47:42Z) - Non-parametric Depth Distribution Modelling based Depth Inference for
Multi-view Stereo [43.415242967722804]
最近のコストボリュームピラミッドに基づくディープニューラルネットワークは、多視点ステレオからの深度推論に高解像度の画像を効率的に活用する可能性を解き放った。
一般に、これらのアプローチは各ピクセルの深さが一様分布に従うと仮定する。
本研究では,非パラメトリック深度分布モデルを用いて,一様および多モード分布の画素を扱うコストボリュームを構築することを提案する。
論文 参考訳(メタデータ) (2022-05-08T05:13:04Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳(メタデータ) (2022-02-02T20:11:33Z) - Eikonal depth: an optimal control approach to statistical depths [0.7614628596146599]
本稿では,制御理論と固有方程式に基づく,グローバルに定義された新しいタイプの統計深度を提案する。
この深さは解釈や計算が容易で、マルチモーダルな振る舞いを表現的に捉え、非ユークリッド的なデータに自然に拡張する。
論文 参考訳(メタデータ) (2022-01-14T01:57:48Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳(メタデータ) (2021-12-07T01:23:20Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - Compressive Privatization: Sparse Distribution Estimation under Locally
Differentially Privacy [18.43218511751587]
対象の分布がスパースかほぼスパースである限り、必要なサンプルの数は大幅に削減できることを示した。
我々のメカニズムは民営化と次元化を同時に行い、サンプルの複雑さは次元化の減少にのみ依存する。
論文 参考訳(メタデータ) (2020-12-03T17:14:23Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T15:13:27Z)
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。