論文の概要: Differentially private projection-depth-based medians
- arxiv url: http://arxiv.org/abs/2312.07792v1
- Date: Tue, 12 Dec 2023 23:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 17:07:42.092395
- Title: Differentially private projection-depth-based medians
- Title(参考訳): 差分的プロジェクション深度に基づく中央値
- Authors: Kelly Ramsay and Dylan Spicker
- Abstract要約: 提案手法(PTR)と指数関数機構を用いて,$(epsilon,delta)$differentially private projection-depth-based mediansを開発した。
PTRにおけるテストが失敗する確率と、有限サンプル偏差によるプライバシコストを定量化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop $(\epsilon,\delta)$-differentially private projection-depth-based
medians using the propose-test-release (PTR) and exponential mechanisms. Under
general conditions on the input parameters and the population measure, (e.g. we
do not assume any moment bounds), we quantify the probability the test in PTR
fails, as well as the cost of privacy via finite sample deviation bounds. We
demonstrate our main result on the canonical projection-depth-based median. In
the Gaussian setting, we show that the resulting deviation bound matches the
known lower bound for private Gaussian mean estimation, up to a polynomial
function of the condition number of the covariance matrix. In the Cauchy
setting, we show that the ``outlier error amplification'' effect resulting from
the heavy tails outweighs the cost of privacy. This result is then verified via
numerical simulations. Additionally, we present results on general PTR
mechanisms and a uniform concentration result on the projected spacings of
order statistics.
- Abstract(参考訳): 提案・テスト・リリース(PTR)と指数的メカニズムを用いて,$(\epsilon,\delta)$-differentially private projection-depth-based mediansを開発した。
入力パラメータと人口測定(例えばモーメント境界を仮定しない)に関する一般的な条件の下では、PTRにおけるテストが失敗する確率と、有限サンプル偏差境界によるプライバシのコストを定量化する。
我々は,標準射影深度に基づく中央値について,主な結果を示す。
ガウス分布において、結果として得られる偏差境界は、共分散行列の条件数の多項式関数まで、プライベートガウス平均推定の既知の下限に一致することを示す。
コーシーな設定では、ヘビーテールによる ``outlier error amplification''' 効果がプライバシのコストを上回っていることを示す。
この結果は数値シミュレーションによって検証される。
さらに、一般のPTR機構と、予測された順序統計間隔に対する均一な濃度結果を示す。
関連論文リスト
- Sparse PCA with Oracle Property [115.72363972222622]
新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。
我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
論文 参考訳(メタデータ) (2023-12-28T02:52:54Z) - General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean
Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。
すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文 参考訳(メタデータ) (2023-01-31T18:47:42Z) - A Bias-Variance-Privacy Trilemma for Statistical Estimation [19.548528664406874]
任意の分布に対して低バイアス,低分散,低プライバシ損失を同時に有するアルゴリズムは存在しないことを実証する。
分布が対称であると仮定した場合、近似差分プライバシーの下では、偏りのない平均推定が可能であることを示す。
論文 参考訳(メタデータ) (2023-01-30T23:40:20Z) - Generalised Likelihood Ratio Testing Adversaries through the
Differential Privacy Lens [69.10072367807095]
微分プライバシー(DP)は、最適な敵の能力に厳格な上限を提供する。
我々は,NPO(Neyman-Pearson-Pearson-Pearson-Pearson-Pearson-Pearson)対GLRT(Generalized Likelihood Test)対向の仮定を緩和する。
この緩やかな緩和は、プライバシー保証の改善につながる。
論文 参考訳(メタデータ) (2022-10-24T08:24:10Z) - Concentration of the exponential mechanism and differentially private
multivariate medians [2.1485350418225244]
人口目標関数の最大値に関する指数的メカニズムの出力に対する濃度不等式を証明した。
Cauchyの限界の下では、重み付けされた位置推定のコストがプライバシーのコストよりも高いことを示している。
論文 参考訳(メタデータ) (2022-10-12T17:56:04Z) - 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) - Nonparametric extensions of randomized response for private confidence
sets [60.51215940742933]
本研究は,局所的差分プライバシー(LDP)の制約の下で,集団平均の非パラメトリック,非漸近的統計的推測を行う手法を導出する。
民営化データへのアクセスのみを与えられた場合、$mustar$に対して信頼区間(CI)と時間一様信頼シーケンス(CS)を提示する。
論文 参考訳(メタデータ) (2022-02-17T16:04:49Z) - Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian
Processes [8.4159776055506]
我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。
まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。
我々の新しい手法は他の最先端のDGP手法よりも優れている。
論文 参考訳(メタデータ) (2022-02-07T15:22:56Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳(メタデータ) (2022-02-02T20:11:33Z) - Differential Privacy of Dirichlet Posterior Sampling [0.0]
ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。
トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
論文 参考訳(メタデータ) (2021-10-03T07:41:19Z) - Propose, Test, Release: Differentially private estimation with high
probability [9.25177374431812]
我々はPTR機構の新たな一般バージョンを導入し、微分プライベートな推定器に対して高い確率誤差境界を導出する。
我々のアルゴリズムは、データ上の有界性仮定なしで中央値と平均値の差分プライベートな推定を行うための最初の統計的保証を提供する。
論文 参考訳(メタデータ) (2020-02-19T01:29:05Z)
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。