論文の概要: Privacy-aware Gaussian Process Regression
- arxiv url: http://arxiv.org/abs/2305.16541v1
- Date: Thu, 25 May 2023 23:44:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 17:36:29.374289
- Title: Privacy-aware Gaussian Process Regression
- Title(参考訳): プライバシーを意識したガウス過程回帰
- Authors: Rui Tuo, Raktim Bhattacharya
- Abstract要約: 提案手法は,データ所有者がプライバシ上の懸念から構築した高忠実度教師あり学習モデルを共有することを望まない場合に利用することができる。
提案手法の鍵となる考え方は,ガウス過程モデルの予測分散が予め定義されたプライバシーレベルに達するまで,データに合成ノイズを加えることである。
- 参考スコア(独自算出の注目度): 5.837881923712394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose the first theoretical and methodological framework for Gaussian
process regression subject to privacy constraints. The proposed method can be
used when a data owner is unwilling to share a high-fidelity supervised
learning model built from their data with the public due to privacy concerns.
The key idea of the proposed method is to add synthetic noise to the data until
the predictive variance of the Gaussian process model reaches a prespecified
privacy level. The optimal covariance matrix of the synthetic noise is
formulated in terms of semi-definite programming. We also introduce the
formulation of privacy-aware solutions under continuous privacy constraints
using kernel-based approaches, and study their theoretical properties. The
proposed method is illustrated by considering a model that tracks the
trajectories of satellites.
- Abstract(参考訳): プライバシー制約を考慮したガウス過程回帰の理論的および方法論的枠組みを提案する。
提案手法は,プライバシ上の懸念からデータから構築した忠実度の高い教師付き学習モデルを,データ所有者が共有しない場合に使用可能である。
提案手法の鍵となる考え方は,ガウス過程モデルの予測分散が所定のプライバシーレベルに達するまで,データに合成ノイズを加えることである。
合成雑音の最適共分散行列は半定値計画法で定式化される。
また,カーネルベースの手法を用いて,継続的なプライバシー制約下でのプライバシアウェアソリューションの定式化を行い,その理論的性質について検討する。
提案手法は,衛星の軌道を追跡するモデルを検討することで示される。
関連論文リスト
- Bayesian Nonparametrics Meets Data-Driven Robust Optimization [34.55288809402238]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。
ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルとの知見を組み合わせることで、新しいロバストな基準を提案する。
実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文 参考訳(メタデータ) (2024-01-28T21:19:15Z) - Differentially Private Gradient Flow based on the Sliced Wasserstein
Distance for Non-Parametric Generative Modeling [61.65137699747604]
確率測度空間におけるパラメータフリー勾配流に基づく、新しい微分プライベートな生成モデリング手法を提案する。
提案手法は,ジェネレータベースモデルと比較して,低プライバシー予算で高忠実度データを生成可能であることを示す。
論文 参考訳(メタデータ) (2023-12-13T15:47:30Z) - Conditional Density Estimations from Privacy-Protected Data [0.0]
プライバシ保護されたデータセットからのシミュレーションに基づく推論手法を提案する。
本稿では,感染性疾患モデルと通常の線形回帰モデルに基づく個別時系列データについて述べる。
論文 参考訳(メタデータ) (2023-10-19T14:34:17Z) - Model Predictive Control with Gaussian-Process-Supported Dynamical
Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。
マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文 参考訳(メタデータ) (2023-03-08T17:14:57Z) - Differentially Private Estimation of Hawkes Process [81.20710494974281]
本稿では,Hawkesプロセスの離散化表現に基づいて,イベントストリームデータに対する微分プライバシーの厳密な定義を導入する。
次に、2つの微分プライベート最適化アルゴリズムを提案する。これにより、Hawkesプロセスモデルに望ましいプライバシとユーティリティの保証を持たせることができる。
論文 参考訳(メタデータ) (2022-09-15T13:59:23Z) - Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。
本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
論文 参考訳(メタデータ) (2022-09-09T08:54:13Z) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳(メタデータ) (2022-05-08T14:38:23Z) - Iterative Methods for Private Synthetic Data: Unifying Framework and New
Methods [18.317488965846636]
クエリリリースのためのプライベート合成データ生成について検討する。
目標は、差分プライバシーの対象となるセンシティブデータセットの衛生バージョンを構築することだ。
本枠組みでは,2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-14T04:19:35Z) - PEARL: Data Synthesis via Private Embeddings and Adversarial
Reconstruction Learning [1.8692254863855962]
本稿では, 深層生成モデルを用いたデータ・フレームワークを, 差分的にプライベートな方法で提案する。
当社のフレームワークでは、センシティブなデータは、厳格なプライバシ保証をワンショットで行うことで衛生化されています。
提案手法は理論的に性能が保証され,複数のデータセットに対する経験的評価により,提案手法が適切なプライバシーレベルで他の手法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) (2021-06-08T18:00:01Z) - Differentially Private Normalizing Flows for Privacy-Preserving Density
Estimation [10.561489862855334]
明示的な差分プライバシー保証を提供する正規化フローモデルの使用を提案します。
このアルゴリズムを差分プライベート異常検出のタスクにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2021-03-25T18:39:51Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z)
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。