Fugu-MT 論文翻訳(概要): Generalized PTR: User-Friendly Recipes for Data-Adaptive Algorithms with Differential Privacy

論文の概要: Generalized PTR: User-Friendly Recipes for Data-Adaptive Algorithms with Differential Privacy

arxiv url: http://arxiv.org/abs/2301.00301v1
Date: Sat, 31 Dec 2022 22:22:53 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 15:28:26.619099
Title: Generalized PTR: User-Friendly Recipes for Data-Adaptive Algorithms with Differential Privacy
Title（参考訳）: generalized ptr:差分プライバシーを持つデータ適応アルゴリズムのためのユーザフレンドリーなレシピ
Authors: Rachel Redberg, Yuqing Zhu, Yu-Xiang Wang
Abstract要約: 「PTR」(Propose-Test-Release)は、微分プライベート(DP)アルゴリズムを設計するための古典的なレシピである。 PTRは、ローカルな感度よりも、データ依存のプライバシー損失をプライベートにテストすることで、より一般的な設定に拡張します。
参考スコア（独自算出の注目度）: 16.374676154278614
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ''Propose-Test-Release'' (PTR) framework is a classic recipe for designing differentially private (DP) algorithms that are data-adaptive, i.e. those that add less noise when the input dataset is nice. We extend PTR to a more general setting by privately testing data-dependent privacy losses rather than local sensitivity, hence making it applicable beyond the standard noise-adding mechanisms, e.g. to queries with unbounded or undefined sensitivity. We demonstrate the versatility of generalized PTR using private linear regression as a case study. Additionally, we apply our algorithm to solve an open problem from ''Private Aggregation of Teacher Ensembles (PATE)'' -- privately releasing the entire model with a delicate data-dependent analysis.
Abstract（参考訳）: 'propose-test-release''(ptr)フレームワークは、データ適応性のある差分プライベート(dp)アルゴリズムを設計するための古典的なレシピである。私たちは、ptrをローカルの感度ではなく、データ依存のプライバシー損失をプライベートにテストすることで、より一般的な設定に拡張します。本研究は,プライベート線形回帰を用いた一般化PTRの汎用性を示す。さらに,本アルゴリズムを適用して,「教師の集まりのプライベートアグリゲーション(PATE)」から開放的な問題を解く。

関連論文リスト

Noise Variance Optimization in Differential Privacy: A Game-Theoretic Approach Through Per-Instance Differential Privacy [7.264378254137811]
差分プライバシー(DP)は、個人をターゲットデータセットに含めることによる分布の変化を観察することにより、プライバシー損失を測定することができる。 DPは、AppleやGoogleのような業界巨人の機械学習におけるデータセットの保護において際立っている。本稿では,PDPを制約として提案し,各データインスタンスのプライバシ損失を測定し,個々のインスタンスに適したノイズを最適化する。
論文参考訳（メタデータ） (2024-04-24T06:51:16Z)
Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文参考訳（メタデータ） (2024-03-19T17:54:49Z)
Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
論文参考訳（メタデータ） (2023-10-31T16:13:22Z)
Better Private Linear Regression Through Better Private Feature Selection [18.884088349732973]
我々は、Kendallランク相関に基づく微分プライベートな特徴選択手法を提案する。機能は通常分散されている設定で有効性を保証する。回帰の前にこのプライベートな特徴選択ステップを追加することで、プラグアンドプレイのプライベートな線形回帰アルゴリズムの適用性が大幅に拡大することがわかった。
論文参考訳（メタデータ） (2023-06-01T17:21:10Z)
Choosing Public Datasets for Private Machine Learning via Gradient Subspace Distance [35.653510597396114]
差分的なプライベート勾配降下は、各反復にノイズを注入することで、モデルパラメータの数に応じてノイズの大きさが増加するモデルトレーニングを民営化する。近年の研究では、パブリックデータによって規定される部分空間に勾配を投影することにより、パブリックデータをプライベート機械学習に活用することでノイズを低減できることが示唆されている。我々は,公立と私設の例の勾配の低次元部分空間距離を測定することで,公開データセットを選択するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-02T13:36:28Z)
MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文参考訳（メタデータ） (2023-02-09T12:06:08Z)
Renyi Differential Privacy of Propose-Test-Release and Applications to Private and Robust Machine Learning [34.091112544190125]
Propose-Test-Release(PTR)は、関数の局所的な感度で動作する、グローバルな感度ではなく、差分プライバシーフレームワークである。我々はPTRと理論結果を用いて、ビザンチン頑健なトレーニングアルゴリズムのための微分プライベートな変種を設計できることを示す。
論文参考訳（メタデータ） (2022-09-16T04:48:22Z)
Differentially Private Graph Learning via Sensitivity-Bounded Personalized PageRank [74.53857412207034]
本稿では,近似的なPPRを出力し,入力エッジに有界な感度を持つアルゴリズムを提案する。我々の感度バウンドPPRは、差分プライベート(DP)PPRランキング、DPノード分類、DPノード埋め込みなど、グラフ学習のいくつかのツールのプライベートアルゴリズムを直接意味している。
論文参考訳（メタデータ） (2022-07-14T14:08:59Z)
Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文参考訳（メタデータ） (2021-06-15T06:59:53Z)
RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
論文参考訳（メタデータ） (2020-07-04T09:51:02Z)
Bounding, Concentrating, and Truncating: Unifying Privacy Loss Composition for Data Analytics [2.614355818010333]
アナリストが純粋なDP、境界範囲(指数的なメカニズムなど)、集中的なDPメカニズムを任意の順序で選択できる場合、強いプライバシー損失バウンダリを提供する。また、アナリストが純粋なDPと境界範囲のメカニズムをバッチで選択できる場合に適用される最適なプライバシー損失境界を提供する。
論文参考訳（メタデータ） (2020-04-15T17:33:10Z)

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。