論文の概要: Striking a Balance: An Optimal Mechanism Design for Heterogenous Differentially Private Data Acquisition for Logistic Regression

• arxiv url: http://arxiv.org/abs/2309.10340v1
• Date: Tue, 19 Sep 2023 05:51:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 16:06:01.881346
• Title: Striking a Balance: An Optimal Mechanism Design for Heterogenous Differentially Private Data Acquisition for Logistic Regression
• Title（参考訳）: バランシング・ア・バランス:ロジスティック回帰のための異種微分プライベートデータ取得のための最適機構設計
• Authors: Ameya Anjarlekar, Rasoul Etesami, R. Srikant
• Abstract要約: プライバシに敏感な販売者から収集したデータに対してロジスティック回帰を行う際の問題点について検討する。 データは非公開であるため、販売者は支払いを通じてインセンティブを得る必要がある。
• 参考スコア（独自算出の注目度）: 8.45602005745865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We investigate the problem of performing logistic regression on data collected from privacy-sensitive sellers. Since the data is private, sellers must be incentivized through payments to provide their data. Thus, the goal is to design a mechanism that optimizes a weighted combination of test loss, seller privacy, and payment, i.e., strikes a balance between multiple objectives of interest. We solve the problem by combining ideas from game theory, statistical learning theory, and differential privacy. The buyer's objective function can be highly non-convex. However, we show that, under certain conditions on the problem parameters, the problem can be convexified by using a change of variables. We also provide asymptotic results characterizing the buyer's test error and payments when the number of sellers becomes large. Finally, we demonstrate our ideas by applying them to a real healthcare data set.
• Abstract（参考訳）: 本研究では,プライバシに敏感な販売者から収集したデータに対してロジスティック回帰を行う問題を検討する。 データは非公開であるため、販売者は支払いを通じてインセンティブを得る必要がある。 したがって、テスト損失、売り手プライバシ、支払いの重み付けの組み合わせを最適化するメカニズムを設計すること、すなわち、複数の利害の目標間のバランスを打つことである。 我々は,ゲーム理論,統計的学習理論,微分プライバシーのアイデアを組み合わせることでこの問題を解決した。 バイヤーの目的関数は非常に非凸である。 しかし,問題パラメータの特定の条件下では,変数の変化を用いることで,問題を凸化することができることを示す。 また,販売者の数が大きくなると,購入者のテストエラーや支払いを特徴付ける漸近的な結果も提供する。 最後に、実際の医療データセットに適用することで、私たちのアイデアを実証します。

関連論文リスト

• Differentially Private Linear Regression with Linked Data [3.9325957466009203]
  コンピュータ科学の数学的概念である差分プライバシーは、堅牢なプライバシー保証を提供する上昇するツールである。 最近の研究は、個々の統計および機械学習タスクの微分プライベートバージョンの開発に焦点を当てている。 相関データを用いた線形回帰のための2つの微分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-01T21:00:19Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Differentially Private Multi-Party Data Release for Linear Regression [40.66319371232736]
  Differentially Private (DP) データリリースは、データ対象のプライバシを損なうことなくデータを広める、有望なテクニックである。 本稿では、異なる利害関係者が同じデータ対象グループに属する不整合な属性セットを所有するマルチパーティ設定に焦点を当てる。 提案手法は,データセットサイズが増大する最適(プライベートでない)解に収束することを示す。
  論文  参考訳（メタデータ） (2022-06-16T08:32:17Z)
• Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for Importance of Variables [69.02115180674885]
  4つのベンチマーク問題を用いて代理モデルを訓練し、代理モデルによる探索空間の学習について検討する。 代々の人口データに基づいて学習した結果,サロゲートモデルが問題の鍵となる特徴を抽出できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-31T09:16:18Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Competition over data: how does data purchase affect users? [15.644822986029377]
  競合する予測者がラベル付きデータを取得して予測品質を向上させるとどうなるかを検討する。 この現象は、競合が各予測者に集団のサブセットを専門化するよう促すトレードオフによって自然に起こることを示す。
  論文  参考訳（メタデータ） (2022-01-26T06:44:55Z)
• Data Sharing Markets [95.13209326119153]
  我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。 両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
  論文  参考訳（メタデータ） (2021-07-19T06:00:34Z)
• Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
  複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。 人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
  論文  参考訳（メタデータ） (2021-04-17T21:34:10Z)

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。