論文の概要: Differentially Private Bayesian Tests
- arxiv url: http://arxiv.org/abs/2401.15502v1
- Date: Sat, 27 Jan 2024 21:07:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 18:04:27.128699
- Title: Differentially Private Bayesian Tests
- Title（参考訳）: 差分プライベートベイズ試験
- Authors: Abhisek Chakraborty, Saptati Datta
- Abstract要約: 本稿では,原理的データ生成機構の下で自然に発生する,偏微分プライベートなベイズ仮説テストフレームワークを提案する。
広く使われているテスト統計に基づいて、偏ってプライベートなベイズ因子に着目し、完全なデータ生成機構をモデル化する必要性を回避する。
- 参考スコア（独自算出の注目度）: 1.5508181316694176
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Differential privacy has emerged as an significant cornerstone in the realm
of scientific hypothesis testing utilizing confidential data. In reporting
scientific discoveries, Bayesian tests are widely adopted since they
effectively circumnavigate the key criticisms of P-values, namely, lack of
interpretability and inability to quantify evidence in support of the competing
hypotheses. We present a novel differentially private Bayesian hypotheses
testing framework that arise naturally under a principled data generative
mechanism, inherently maintaining the interpretability of the resulting
inferences. Furthermore, by focusing on differentially private Bayes factors
based on widely used test statistics, we circumvent the need to model the
complete data generative mechanism and ensure substantial computational
benefits. We also provide a set of sufficient conditions to establish results
on Bayes factor consistency under the proposed framework. The utility of the
devised technology is showcased via several numerical experiments.
- Abstract（参考訳）: 識別プライバシーは、機密データを利用した科学的仮説テストの領域において重要な基盤として浮上している。
科学的発見の報告において、ベイズ検定は、p値の重要な批判、すなわち解釈可能性の欠如と、競合する仮説を支持する証拠を定量化できないことを効果的に回避するため、広く採用されている。
本稿では,原理的なデータ生成機構の下で自然発生し,帰結する推論の解釈可能性を維持する,微分的にプライベートなベイズ仮説テストフレームワークを提案する。
さらに,広範に使用されるテスト統計に基づく微分プライベートベイズ係数に着目して,データ生成機構のモデル化を回避し,計算効率の大幅な向上を図る。
また,提案フレームワークの下でベイズ係数の整合性を示すための十分な条件のセットも提供する。
考案された技術の実用性は、いくつかの数値実験によって示される。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - A unified Bayesian framework for interval hypothesis testing in clinical
trials [4.911220423050305]
アメリカ統計協会(ASA)は統計学者に対して、従来のP値のみに基づいて科学的決定を行うことを警告した。
ベイズ因子に基づく試験と併用した場合, 区間零仮説の枠組みがP値の重要な問題を周航する上で有効であることを示す。
論文 参考訳（メタデータ） (2024-02-21T16:01:06Z) - Device-independent certification of desirable properties with a confidence interval [0.0]
厳密なデバイスに依存しない認証のための汎用的なソリューションを提供する。
PBRプロトコルとマーチンゲールベースのプロトコルがよく似た性能を示す。
また,マルティンゲールに基づくプロトコルの性能は,目撃者の選択に大きく影響している可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-12T15:21:21Z) - Differentially Private Permutation Tests: Applications to Kernel Methods [7.596498528060537]
差分プライバシーは、プライバシー保護のための厳格な枠組みとして登場し、学術界と産業界の両方で広く認知されている。
本稿では,差分プライベートな置換テストを導入することにより,仮説テストの文脈における懸念を軽減することを目的とする。
提案フレームワークは、従来の非プライベートな置換試験をプライベートな設定に拡張し、有限サンプルの妥当性と差分プライバシーの両方を厳密な方法で維持する。
論文 参考訳（メタデータ） (2023-10-29T15:13:36Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T09:41:19Z) - A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
実験と観測を組み合わせた二重機械学習手法を提案する。
我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
論文 参考訳（メタデータ） (2023-07-04T02:53:11Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Empirical Bayesian Approaches for Robust Constraint-based Causal
Discovery under Insufficient Data [38.883810061897094]
因果発見法は、多くの実世界のデータセットではそうではないかもしれないデータ飽和度を仮定する。
本研究では,制約に基づく因果探索手法の性能向上を図るため,ベイジアンによる頻繁な独立性試験を提案する。
実験の結果,SOTA法よりも精度と効率が向上した。
論文 参考訳（メタデータ） (2022-06-16T21:08:49Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳（メタデータ） (2022-06-03T16:25:48Z) - Private Sequential Hypothesis Testing for Statisticians: Privacy, Error
Rates, and Sample Size [24.149533870085175]
我々は、Renyi差分プライバシーとして知られる、差分プライバシーのわずかな変種の下で、シーケンシャル仮説テスト問題を研究する。
我々は,Wald's Sequential Probability Ratio Test (SPRT)に基づく新たな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） (2022-04-10T04:15:50Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z)
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。