Fugu-MT 論文翻訳(概要): Differentially Private High Dimensional Bandits

論文の概要: Differentially Private High Dimensional Bandits

arxiv url: http://arxiv.org/abs/2402.03737v1
Date: Tue, 6 Feb 2024 06:10:46 GMT
ステータス: 処理完了
システム内更新日: 2024-02-07 16:19:04.089511
Title: Differentially Private High Dimensional Bandits
Title（参考訳）: 微分的にプライベートな高次元バンディット
Authors: Apurv Shukla
Abstract要約: 差分プライベートなLASSO帯域幅アルゴリズムであるPrivateLASSOを提案する。 PrivateLASSOは2つのサブルーチンに基づいている。 (i) 疎いハードスレッディングベースのプライバシメカニズムと (ii) パラメータの$theta$のサポートを識別するためのエピソードのしきい値設定ルールである。
参考スコア（独自算出の注目度）: 1.3597551064547502
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We consider a high-dimensional stochastic contextual linear bandit problem when the parameter vector is $s_{0}$-sparse and the decision maker is subject to privacy constraints under both central and local models of differential privacy. We present PrivateLASSO, a differentially private LASSO bandit algorithm. PrivateLASSO is based on two sub-routines: (i) a sparse hard-thresholding-based privacy mechanism and (ii) an episodic thresholding rule for identifying the support of the parameter $\theta$. We prove minimax private lower bounds and establish privacy and utility guarantees for PrivateLASSO for the central model under standard assumptions.
Abstract（参考訳）: パラメータベクトルが$s_{0}$-sparseであり、決定メーカーが偏微分プライバシーの中央モデルと局所モデルの両方の下でプライバシー制約を受ける場合、高次元の確率的文脈線形バンディット問題を考える。差分プライベートなLASSO帯域幅アルゴリズムであるPrivateLASSOを提案する。 PrivateLASSOは2つのサブルーチンに基づいている。 (i)まばらなハードスレッディングに基づくプライバシー機構 (ii)パラメータ $\theta$ のサポートを特定するためのエピソディックしきい値規則。標準前提の下では,PrivateLASSOのプライバシと実用性を保証するために,Minimaxのプライベートなバウンダリを証明している。

関連論文リスト

Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
論文参考訳（メタデータ） (2024-10-24T03:39:55Z)
FLIPHAT: Joint Differential Privacy for High Dimensional Sparse Linear Bandits [8.908421753758475]
高次元スパース線形帯域は、シーケンシャルな意思決定問題の効率的なモデルとして機能する。データプライバシの懸念により、我々は、共同でプライベートな高次元の疎線形帯域について検討する。 FLIPHATは,プライバシパラメータの点で最適に後悔することを示す。
論文参考訳（メタデータ） (2024-05-22T22:19:12Z)
Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
論文参考訳（メタデータ） (2024-03-07T19:36:05Z)
Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
1ビット通信制約を伴う個別分布推定問題を考える。 1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
論文参考訳（メタデータ） (2023-10-17T05:21:19Z)
About the Cost of Central Privacy in Density Estimation [17.04261371990489]
リプシッツ空間とソボレフ空間における密度の非パラメトリック密度推定について検討する。プライバシー予算が一定でないような体制を考える。
論文参考訳（メタデータ） (2023-06-26T09:19:01Z)
Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-09-08T22:43:50Z)
When Privacy Meets Partial Information: A Refined Analysis of Differentially Private Bandits [4.964737844687583]
我々は、$epsilon$-global Differential Privacy (DP) を用いたマルチアームバンディットの問題点について検討する。我々は、UCBおよびKL-UCBアルゴリズム、すなわちAdaP-UCBとAdaP-KLUCBの$epsilon$-global DP拡張をインスタンス化する。 AdaP-KLUCBは、どちらも$epsilon$-global DPを満たす最初のアルゴリズムであり、問題依存の下位境界を乗法定数に一致する後悔の上限を与える。
論文参考訳（メタデータ） (2022-09-06T15:26:24Z)
Optimal and Differentially Private Data Acquisition: Central and Local Mechanisms [9.599356978682108]
プライバシに敏感なユーザからデータを収集するプラットフォームの問題を考え,その基盤となる関心パラメータを推定する。ユーザに対して、プライバシ保証を提供するための2つの一般的な差分プライバシ設定について検討する。このメカニズム設計問題は,ユーザのプライバシ感を真に報告するための推定器と支払器の最適選択として機能する。
論文参考訳（メタデータ） (2022-01-10T00:27:43Z)
Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-12-11T15:23:28Z)
Generalized Linear Bandits with Local Differential Privacy [4.922800530841394]
パーソナライズドメディカルやオンライン広告などの多くのアプリケーションは、効果的な学習のために個人固有の情報を活用する必要がある。これは、局所微分プライバシー(LDP)というプライバシーの厳格な概念を文脈的盗賊に導入する動機となっている。本稿では,一般線形バンドレットに対するLDPアルゴリズムを設計し,非プライバシ設定と同じ後悔点を実現する。
論文参考訳（メタデータ） (2021-06-07T06:42:00Z)
Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。