論文の概要: Pure Differential Privacy for Functional Summaries via a Laplace-like
Process
- arxiv url: http://arxiv.org/abs/2309.00125v2
- Date: Sun, 3 Mar 2024 23:49:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 02:49:56.025467
- Title: Pure Differential Privacy for Functional Summaries via a Laplace-like
Process
- Title(参考訳): laplace-likeプロセスによる機能要約の純粋微分プライバシー
- Authors: Haotian Lin, Matthew Reimherr
- Abstract要約: この研究は、機能的な要約に差分プライバシーの新たなメカニズムを導入する。
独立成分置換プロセス(ICLP)機構は、関心の要約を真に無限次元のオブジェクトとして扱う。
合成および実データセットに関する数値実験により,提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 8.557392136621894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many existing mechanisms to achieve differential privacy (DP) on
infinite-dimensional functional summaries often involve embedding these
summaries into finite-dimensional subspaces and applying traditional DP
techniques. Such mechanisms generally treat each dimension uniformly and
struggle with complex, structured summaries. This work introduces a novel
mechanism for DP functional summary release: the Independent Component Laplace
Process (ICLP) mechanism. This mechanism treats the summaries of interest as
truly infinite-dimensional objects, thereby addressing several limitations of
existing mechanisms. We establish the feasibility of the proposed mechanism in
multiple function spaces. Several statistical estimation problems are
considered, and we demonstrate one can enhance the utility of sanitized
summaries by oversmoothing their non-private counterpart. Numerical experiments
on synthetic and real datasets demonstrate the efficacy of the proposed
mechanism.
- Abstract(参考訳): 無限次元機能的サマリー上の微分プライバシー(DP)を達成するための多くの既存のメカニズムは、これらのサマリーを有限次元部分空間に埋め込み、従来のDP技術を適用することを含む。
このようなメカニズムは一般に各次元を均一に扱い、複雑で構造化された要約と格闘する。
本研究は,DP機能概要リリースの新たなメカニズムとして,独立コンポーネントラプラスプロセス(ICLP)機構を紹介する。
このメカニズムは興味の要約を真に無限次元のオブジェクトとして扱い、既存のメカニズムのいくつかの制限に対処する。
複数の関数空間における提案機構の実現可能性を確立する。
統計的な推定問題をいくつか検討し,非プライベートなサマリーを過小評価することで,サニタイズされたサマリーの有用性を高めることを実証する。
合成および実データセットに関する数値実験により,提案手法の有効性が示された。
関連論文リスト
- Reusable Slotwise Mechanisms [45.48002329758044]
スロット間の通信を利用してオブジェクトのダイナミクスをモデル化するフレームワークであるReusable Slotwise Mechanisms(RCM)を紹介する。
RSMはCCI(Central Contextual Information)を活用し、選択したメカニズムが残りのスロットにアクセスできるようにする。
実験により, 最先端手法と比較してRCMの優れた性能が示された。
論文 参考訳(メタデータ) (2023-02-21T08:07:27Z) - Cactus Mechanisms: Optimal Differential Privacy Mechanisms in the
Large-Composition Regime [12.420941209631742]
本研究では,多数の構成の限界における最適微分プライバシー機構の設計について検討する。
この体制では、最高のプライバシーメカニズムは、Kullback-Leiblerの発散を最小限にするものである。
我々は、量子化アプローチが最適なメカニズムに任意に近づくことができることを示す。
論文 参考訳(メタデータ) (2022-06-25T20:05:50Z) - Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline
Reinforcement Learning [114.36124979578896]
オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。
我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
論文 参考訳(メタデータ) (2022-05-05T05:44:26Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - Transformers with Competitive Ensembles of Independent Mechanisms [97.93090139318294]
隠れた表現とパラメータを複数のメカニズムに分割し、注意を通して情報を交換する新しいトランスフォーマー層を提案する。
TIM を大規模 BERT モデル、画像変換器、および音声強調について研究し、意味的に意味のある専門化とパフォーマンスの向上の証拠を見つけます。
論文 参考訳(メタデータ) (2021-02-27T21:48:46Z) - Near Instance-Optimality in Differential Privacy [38.8726789833284]
古典統計理論に着想を得た差分プライバシーにおけるインスタンス最適性の概念を考案する。
また、大規模な推定値に対してインスタンス最適(もしくはほぼインスタンス最適)な逆感度機構も開発する。
論文 参考訳(メタデータ) (2020-05-16T04:53:48Z) - Exact representations of many body interactions with RBM neural networks [77.34726150561087]
我々は、RBMの表現力を利用して、多体接触相互作用を1体演算子に正確に分解する。
この構成は、ハバードモデルでよく知られたヒルシュの変換を、核物理学におけるピオンレスFTのようなより複雑な理論に一般化する。
論文 参考訳(メタデータ) (2020-05-07T15:59:29Z) - Invariant Causal Prediction for Block MDPs [106.63346115341862]
環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。
本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
論文 参考訳(メタデータ) (2020-03-12T21:03:01Z)
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。