論文の概要: Differentially Private Sliced Inverse Regression: Minimax Optimality and Algorithm

• arxiv url: http://arxiv.org/abs/2401.08150v1
• Date: Tue, 16 Jan 2024 06:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 14:47:42.291553
• Title: Differentially Private Sliced Inverse Regression: Minimax Optimality and Algorithm
• Title（参考訳）: 微分プライベートスライス逆回帰:ミニマックス最適性とアルゴリズム
• Authors: Xintao Xia, Linjun Zhang, Zhanrui Cai
• Abstract要約: 十分な次元削減の文脈において、プライバシー問題に対処するために設計された最適微分プライベートアルゴリズムを提案する。 我々は、対数係数まで最小限の下位境界を達成できる微分プライベートアルゴリズムを開発した。 自然な拡張として、微分プライベートスパース主成分分析に類似した下界と上界を容易に提供できる。
• 参考スコア（独自算出の注目度）: 16.14032140601778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy preservation has become a critical concern in high-dimensional data analysis due to the growing prevalence of data-driven applications. Proposed by Li (1991), sliced inverse regression has emerged as a widely utilized statistical technique for reducing covariate dimensionality while maintaining sufficient statistical information. In this paper, we propose optimally differentially private algorithms specifically designed to address privacy concerns in the context of sufficient dimension reduction. We proceed to establish lower bounds for differentially private sliced inverse regression in both the low and high-dimensional settings. Moreover, we develop differentially private algorithms that achieve the minimax lower bounds up to logarithmic factors. Through a combination of simulations and real data analysis, we illustrate the efficacy of these differentially private algorithms in safeguarding privacy while preserving vital information within the reduced dimension space. As a natural extension, we can readily offer analogous lower and upper bounds for differentially private sparse principal component analysis, a topic that may also be of potential interest to the statistical and machine learning community.
• Abstract（参考訳）: プライバシー保護は、データ駆動アプリケーションの普及により、高次元データ分析において重要な関心事となっている。 Li (1991) が提唱した逆回帰は、十分な統計情報を維持しながら共変量次元を減少させるために広く利用される統計手法として登場した。 本稿では,十分な次元削減の文脈において,プライバシー問題に対処するために特別に設計された最適微分プライベートアルゴリズムを提案する。 低次元と高次元の両方において、微分プライベートな逆回帰のための下界を確立する。 さらに,最小限の最小境界を対数因子まで達成する差分プライベートアルゴリズムを開発した。 シミュレーションと実データ解析を組み合わせることで,プライバシを保護しつつ,次元空間内の重要な情報を保存しながら,これらの差分プライベートアルゴリズムの有効性を示す。 自然拡張として、統計的および機械学習コミュニティにとって潜在的に興味を持つ可能性のある、微分的スパース主成分分析のための類似の下限および上限を提供することができる。

関連論文リスト

• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Differentially Private Random Feature Model [52.468511541184895]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• The Data Minimization Principle in Machine Learning [61.17813282782266]
  データ最小化は、収集、処理、保持されるデータの量を減らすことを目的としている。 様々な国際データ保護規制によって支持されている。 しかし、厳密な定式化が欠如しているため、その実践的な実装は依然として課題である。
  論文  参考訳（メタデータ） (2024-05-29T19:40:27Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Differentially private sliced inverse regression in the federated paradigm [3.539008590223188]
  Sliced inverse regression(SIR)を拡張して、分散データの課題に対処し、プライバシと通信効率を優先する。 我々の手法はFSIR (Federated sliced inverse regression) と呼ばれ、複数のクライアント間で十分な次元削減部分空間を協調的に推定する。
  論文  参考訳（メタデータ） (2023-06-10T00:32:39Z)
• Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning [8.760651633031342]
  本稿では,パラメータ推定の差分プライバシに制約されたミニマックスリスクを低く抑える,スコアアタックと呼ばれる新しい手法を提案する。 様々な統計問題に対する差分プライバシーを確保しながら、未知のモデルパラメータを推定する最小限のリスクを対数係数まで最適に下げることができる。
  論文  参考訳（メタデータ） (2023-03-13T14:26:27Z)
• 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)
• Designing Differentially Private Estimators in High Dimensions [0.0]
  本研究では,高次元環境下での個人平均推定について検討する。 高次元ロバスト統計学における最近の研究で、計算的に抽出可能な平均推定アルゴリズムが特定されている。
  論文  参考訳（メタデータ） (2020-06-02T21:17:30Z)

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。