Fugu-MT 論文翻訳(概要): Differentially Private Medians and Interior Points for Non-Pathological Data

論文の概要: Differentially Private Medians and Interior Points for Non-Pathological Data

arxiv url: http://arxiv.org/abs/2305.13440v1
Date: Mon, 22 May 2023 19:30:20 GMT
ステータス: 処理完了
システム内更新日: 2023-05-24 20:59:51.550828
Title: Differentially Private Medians and Interior Points for Non-Pathological Data
Title（参考訳）: 非病的データにおける個人的メディアと内部的ポイント
Authors: Maryam Aliakbarpour and Rose Silver and Thomas Steinke and Jonathan Ullman
Abstract要約: 我々は、非常に穏やかなモーメント条件を満たす$mathbbR$上の任意の分布の中央値を推定する微分プライベートな推定器を構築する。 FOCS 2015) では, 有限標本の複雑さを伴う差分プライベートな推定器が存在しないことが示唆された。
参考スコア（独自算出の注目度）: 18.019754524164483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We construct differentially private estimators with low sample complexity that estimate the median of an arbitrary distribution over $\mathbb{R}$ satisfying very mild moment conditions. Our result stands in contrast to the surprising negative result of Bun et al. (FOCS 2015) that showed there is no differentially private estimator with any finite sample complexity that returns any non-trivial approximation to the median of an arbitrary distribution.
Abstract（参考訳）: 我々は、非常に穏やかなモーメント条件を満たす$\mathbb{r}$ 上の任意の分布の中央値を推定する、サンプル複雑性の低い微分プライベートな推定器を構築する。本結果は,任意の分布の中央値に非自明な近似を返却する有限標本複雑性を持つ差分プライベート推定器が存在しないことを示す Bun et al. (FOCS 2015) の驚くべき負の結果とは対照的である。

関連論文リスト

Out-Of-Domain Unlabeled Data Improves Generalization [0.7589678255312519]
本稿では,ラベルなしデータを半教師付き分類問題に組み込む新しい枠組みを提案する。ラベルのないサンプルは一般化ギャップを狭めるために利用できることを示す。我々は、さまざまな合成および実世界のデータセットで実施された実験を通じて、我々の主張を検証する。
論文参考訳（メタデータ） (2023-09-29T02:00:03Z)
Differentially-Private Bayes Consistency [70.92545332158217]
差分プライバシー(DP)を満たすベイズ一貫した学習ルールを構築する。ほぼ最適なサンプル複雑性を持つ半教師付き環境で,任意のVCクラスをプライベートに学習できることを実証する。
論文参考訳（メタデータ） (2022-12-08T11:57:30Z)
On-Demand Sampling: Learning Optimally from Multiple Distributions [63.20009081099896]
社会と現実世界の考察は、マルチディストリビューション学習パラダイムの台頭につながっている。これらの学習パラダイムの最適なサンプル複雑性を確立し、このサンプル複雑性を満たすアルゴリズムを提供する。アルゴリズムの設計と解析は,ゼロサムゲーム解決のためのオンライン学習手法の拡張によって実現されている。
論文参考訳（メタデータ） (2022-10-22T19:07:26Z)
Robust Learning of Optimal Auctions [84.13356290199603]
本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-07-13T17:37:21Z)
On learning parametric distributions from quantized samples [14.924672048447338]
ネットワーク内の量子化サンプルからパラメトリック分布を学習する問題を考察する。具体的には、$n$エージェントまたはセンサーが未知のパラメトリック分布の独立したサンプルを観察し、それぞれが、観察されたサンプルを中央プロセッサに記述するために$k$ビットを使用する。一般の$L_p$-normsと関連するワッサーシュタイン損失の2つの損失に対する推定誤差の最小値を求める。
論文参考訳（メタデータ） (2021-05-25T15:38:28Z)
Robust Mean Estimation on Highly Incomplete Data with Arbitrary Outliers [7.224832132296238]
我々は,$N$の例として,$d$次元分布の平均を頑健に推定する問題について検討する。ほぼ線形時間における情報理論的に最適な次元非依存誤差保証を用いて分布の平均を推定するアルゴリズムを示す。
論文参考訳（メタデータ） (2020-08-18T17:53:34Z)
Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文参考訳（メタデータ） (2020-07-24T05:18:17Z)
Differentially Private Assouad, Fano, and Le Cam [32.509176784239216]
ル・カムの方法、ファノの不等式、アスードの補題は、統計的推定タスクの下位境界を証明する3つの手法である。偏微分プライバシーの下でそれらの類似性を提案する。その結果は単純で、適用が容易であり、いくつかの推定タスクにおいてサンプル複雑性境界を確立するためにそれらを用いる。
論文参考訳（メタデータ） (2020-04-14T23:10:38Z)
Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
論文参考訳（メタデータ） (2020-02-26T16:37:37Z)
Private Mean Estimation of Heavy-Tailed Distributions [10.176795938619417]
差分的にプライベートな分布の平均推定におけるミニマックスサンプルの複雑さについて, 新たな上限値と下限値を与える。 $n = Thetaleft(frac1alpha2 + frac1alphafrack-1varepsilonright)$サンプルは必要で、$varepsilon$-differential privacyの下で$alpha$-accuracyと見積もるのに十分である。
論文参考訳（メタデータ） (2020-02-21T18:30:48Z)
Estimating Gradients for Discrete Random Variables by Sampling without Replacement [93.09326095997336]
我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
論文参考訳（メタデータ） (2020-02-14T14:15:18Z)

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。