論文の概要: Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning

• arxiv url: http://arxiv.org/abs/2303.07152v1
• Date: Mon, 13 Mar 2023 14:26:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 14:34:01.680239
• Title: Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
• Title（参考訳）: スコア攻撃: 最適な差分学習のための低境界手法
• Authors: T. Tony Cai, Yichen Wang, Linjun Zhang
• Abstract要約: 本稿では,パラメータ推定の差分プライバシに制約されたミニマックスリスクを低く抑える,スコアアタックと呼ばれる新しい手法を提案する。 様々な統計問題に対する差分プライバシーを確保しながら、未知のモデルパラメータを推定する最小限のリスクを対数係数まで最適に下げることができる。
• 参考スコア（独自算出の注目度）: 8.760651633031342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving optimal statistical performance while ensuring the privacy of personal data is a challenging yet crucial objective in modern data analysis. However, characterizing the optimality, particularly the minimax lower bound, under privacy constraints is technically difficult. To address this issue, we propose a novel approach called the score attack, which provides a lower bound on the differential-privacy-constrained minimax risk of parameter estimation. The score attack method is based on the tracing attack concept in differential privacy and can be applied to any statistical model with a well-defined score statistic. It can optimally lower bound the minimax risk of estimating unknown model parameters, up to a logarithmic factor, while ensuring differential privacy for a range of statistical problems. We demonstrate the effectiveness and optimality of this general method in various examples, such as the generalized linear model in both classical and high-dimensional sparse settings, the Bradley-Terry-Luce model for pairwise comparisons, and nonparametric regression over the Sobolev class.
• Abstract（参考訳）: 個人データのプライバシーを確保しながら最適な統計性能を達成することは、現代のデータ分析において難しいが重要な目標である。 しかし、プライバシー制約の下で最適性、特にミニマックスの低い境界を特徴づけるのは技術的に難しい。 この問題に対処するため,スコアアタックと呼ばれる新しい手法を提案し,パラメータ推定の差分プライバシに制約されたミニマックスリスクを低く抑える。 スコアアタック法は差分プライバシーにおけるトレースアタックの概念に基づいており、よく定義されたスコア統計量を持つ任意の統計モデルに適用することができる。 様々な統計問題に対する差分プライバシーを確保しながら、未知のモデルパラメータを推定する最小限のリスクを対数係数まで最適に下げることができる。 古典的および高次元スパース設定における一般化線形モデル、ペア比較のためのブラッドリー・テリー・リュックモデル、ソボレフクラス上の非パラメトリック回帰など、この一般的な手法の有効性と最適性を示す。

関連論文リスト

• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Optimal Sampling for Generalized Linear Model under Measurement Constraint with Surrogate Variables [3.5903555216741405]
  場合によっては、代理変数はデータセット全体を通してアクセスでき、真の応答変数の近似として機能する。 本稿では,サロゲート変数から得られる情報を効果的に活用する最適なサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-01T22:41:52Z)
• Differentially Private Random Feature Model [52.468511541184895]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• On the design-dependent suboptimality of the Lasso [27.970033039287884]
  最小特異値が小さい場合、ラッソ推定器は、確実に最小値であることを示す。 我々の下限は、ラッソの全ての形態のまばらな統計的最適性を妨げるのに十分強い。
  論文  参考訳（メタデータ） (2024-02-01T07:01:54Z)
• Differentially Private Sliced Inverse Regression: Minimax Optimality and Algorithm [16.14032140601778]
  十分な次元削減の文脈において、プライバシー問題に対処するために設計された最適微分プライベートアルゴリズムを提案する。 我々は、対数係数まで最小限の下位境界を達成できる微分プライベートアルゴリズムを開発した。 自然な拡張として、微分プライベートスパース主成分分析に類似した下界と上界を容易に提供できる。
  論文  参考訳（メタデータ） (2024-01-16T06:47:43Z)
• On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
  差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。 プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。 最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
  論文  参考訳（メタデータ） (2022-10-05T12:55:53Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Minimax Off-Policy Evaluation for Multi-Armed Bandits [58.7013651350436]
  有界報酬を用いたマルチアームバンディットモデルにおけるオフポリシー評価の問題点について検討する。 3つの設定でミニマックスレート・オプティマティックな手順を開発。
  論文  参考訳（メタデータ） (2021-01-19T18:55:29Z)
• Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
  本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。 候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
  論文  参考訳（メタデータ） (2020-11-08T16:48:02Z)
• The Cost of Privacy in Generalized Linear Models: Algorithms and Minimax Lower Bounds [8.760651633031342]
  提案アルゴリズムは,その統計的性能を特徴付けることにより,ほぼ最適であることを示す。 下位境界は、SteinのLemmaをベースとした新しい手法を用いて取得され、プライバシーに制約された下位境界に対するトレース攻撃手法を一般化する。
  論文  参考訳（メタデータ） (2020-11-08T04:27:21Z)

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。