論文の概要: Better Private Linear Regression Through Better Private Feature Selection

• arxiv url: http://arxiv.org/abs/2306.00920v1
• Date: Thu, 1 Jun 2023 17:21:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 14:18:05.667444
• Title: Better Private Linear Regression Through Better Private Feature Selection
• Title（参考訳）: プライベート機能選択によるプライベートリニア回帰の改善
• Authors: Travis Dick, Jennifer Gillenwater, Matthew Joseph
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.884088349732973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing work on differentially private linear regression typically assumes that end users can precisely set data bounds or algorithmic hyperparameters. End users often struggle to meet these requirements without directly examining the data (and violating privacy). Recent work has attempted to develop solutions that shift these burdens from users to algorithms, but they struggle to provide utility as the feature dimension grows. This work extends these algorithms to higher-dimensional problems by introducing a differentially private feature selection method based on Kendall rank correlation. We prove a utility guarantee for the setting where features are normally distributed and conduct experiments across 25 datasets. We find that adding this private feature selection step before regression significantly broadens the applicability of ``plug-and-play'' private linear regression algorithms at little additional cost to privacy, computation, or decision-making by the end user.
• Abstract（参考訳）: 微分プライベート線形回帰に関する既存の研究は通常、エンドユーザーが正確にデータセット境界やアルゴリズムのハイパーパラメータを設定できると仮定する。 エンドユーザは、データを直接調べる(そしてプライバシーを侵害する)ことなく、これらの要件を満たすのに苦労することが多い。 最近の研究は、これらの負担をユーザからアルゴリズムにシフトさせるソリューションを開発しようとしているが、機能次元が大きくなるにつれてユーティリティの提供に苦慮している。 本研究は,kendallランク相関に基づく微分プライベート特徴選択法を導入することで,これらのアルゴリズムを高次元問題に拡張する。 機能は通常分散され、25のデータセットにまたがる実験を行うような設定の実用性を保証する。 プライバシや計算,あるいはエンドユーザによる意思決定に少しのコストで,‘plug-and-play’のプライベート線形回帰アルゴリズムの適用性を大幅に拡大する。

関連論文リスト

• 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)
• Feature Selection from Differentially Private Correlations [35.187113265093615]
  高次元回帰はデータセット内の個々のデータポイントに関する情報をリークすることができる。 相関に基づく順序統計を用いて、データセットから重要な特徴を選択し、それらを民営化する。 提案手法は,多くのデータセット上でのプライベートな特徴選択において,確立されたベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-08-20T13:54:07Z)
• Differentially Private Domain Adaptation with Theoretical Guarantees [46.37771025567305]
  多くのアプリケーションでは、ラベル付きデータの処分におけるラベル付きデータはプライバシー上の制約を受けており、比較的制限されている。 これは、パブリックソースからプライベートターゲットドメインへのドメイン適応を監督する現代の問題である。 我々は、理論的な学習保証の恩恵を受けるために、一般の学習者を利用する。
  論文  参考訳（メタデータ） (2023-06-15T04:03:06Z)
• Generating Private Synthetic Data with Genetic Algorithms [29.756119782419955]
  基礎となる機密データセットの統計特性を近似した微分プライベートな合成データを効率的に生成する問題について検討する。 ゼロ階最適化に基づく遺伝的アルゴリズムであるPrivate-GSDを提案する。 そこで,Private-GSDは,非微分クエリにおいて,微分可能なクエリを近似する精度で,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-05T21:19:37Z)
• Improved Differentially Private Regression via Gradient Boosting [38.09948758699131]
  勾配向上に基づく線形回帰法を新たに提案する。 包括的な実験に加えて、この振る舞いを説明する理論的洞察を与える。
  論文  参考訳（メタデータ） (2023-03-06T19:20:52Z)
• On Differential Privacy for Federated Learning in Wireless Systems with Multiple Base Stations [90.53293906751747]
  複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。 本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。 提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
  論文  参考訳（メタデータ） (2022-08-25T03:37:11Z)
• Private Domain Adaptation from a Public Source [48.83724068578305]
  我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。 我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
  論文  参考訳（メタデータ） (2022-08-12T06:52:55Z)
• Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
  そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。 また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
  論文  参考訳（メタデータ） (2022-05-05T06:43:46Z)
• Differentially Private Query Release Through Adaptive Projection [19.449593001368193]
  我々は,$k$-way マージンのような膨大な統計クエリに対する回答を解放するための新しいアルゴリズムを提案し,実装し,評価する。 我々のアルゴリズムは、単純な摂動を用いて、プライベートデータセット上のクエリに応答するプロジェクションメカニズムの連続緩和を適応的に利用する。 特に,プライバシ予算が小さい場合や,クエリクラスが大きい場合など,既存のアルゴリズムよりも優れていることが判明した。
  論文  参考訳（メタデータ） (2021-03-11T12:43:18Z)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)

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。