Fugu-MT 論文翻訳(概要): Cryptographic Hardness of Score Estimation

論文の概要: Cryptographic Hardness of Score Estimation

arxiv url: http://arxiv.org/abs/2404.03272v1
Date: Thu, 4 Apr 2024 07:49:09 GMT
ステータス: 処理完了
システム内更新日: 2024-04-05 15:24:04.222912
Title: Cryptographic Hardness of Score Estimation
Title（参考訳）: スコア推定の暗号ハードネス
Authors: Min Jae Song,
Abstract要約: L2$-accurate score Estimation, in without the strong assumptions on the data distribution, is calculatedly hard in if the sample complexity is in the relevant problem parameters。我々の難しい推定分布は「ガウシアン・パンケーキ」分布であり、もともとはダイアコニコラス等が原因である。
参考スコア（独自算出の注目度）: 4.115525455536377
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that $L^2$-accurate score estimation, in the absence of strong assumptions on the data distribution, is computationally hard even when sample complexity is polynomial in the relevant problem parameters. Our reduction builds on the result of Chen et al. (ICLR 2023), who showed that the problem of generating samples from an unknown data distribution reduces to $L^2$-accurate score estimation. Our hard-to-estimate distributions are the "Gaussian pancakes" distributions, originally due to Diakonikolas et al. (FOCS 2017), which have been shown to be computationally indistinguishable from the standard Gaussian under widely believed hardness assumptions from lattice-based cryptography (Bruna et al., STOC 2021; Gupte et al., FOCS 2022).
Abstract（参考訳）: L^2$-accurate score Estimation, in without the strong assumptions on the data distribution, is calculatedly hard in if sample complexity is polynomial in the relevant problem parameters。削減はChen et al (ICLR 2023)の結果に基づいており、未知のデータ分布からサンプルを生成する問題は、$L^2$-精度のスコア推定に還元されることを示した。この分布は、格子ベースの暗号(Bruna et al , STOC 2021; Gupte et al , FOCS 2022)から広く信じられている硬さ仮定の下で、標準ガウスと計算的に区別できないことが示されている。

関連論文リスト

Efficiently learning and sampling multimodal distributions with data-based initialization [20.575122468674536]
静止測度から少数のサンプルを与えられたマルコフ連鎖を用いて多重モーダル分布をサンプリングする問題を考察する。マルコフ連鎖が$k$dのスペクトルギャップを持つ場合、静止分布からのサンプルは、静止測度からテレビ距離において$varepsilon$-closeの条件法則を持つサンプルを効率よく生成する。
論文参考訳（メタデータ） (2024-11-14T01:37:02Z)
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling [82.36856860383291]
我々は,標準深部ReLUニューラルネットワークをトレーニングすることにより,スコア関数の正確な推定が可能であることを実証した。スコアマッチングに基づく因果発見手法を用いて因果関係の回復の誤差率の限界を確立する。
論文参考訳（メタデータ） (2023-10-27T13:09:56Z)
Mixtures of Gaussians are Privately Learnable with a Polynomial Number of Samples [9.649879910148854]
差分プライバシー(DP)制約下におけるガウシアン混合量の推定問題について検討する。主な結果は、$textpoly(k,d,1/alpha,1/varepsilon,log (1/delta))$サンプルが$k$ Gaussians in $mathbbRd$から$alpha$までを推定するのに十分であることです。これは GMM の構造的仮定を一切含まない問題に対する最初の有限標本複雑性上界である。
論文参考訳（メタデータ） (2023-09-07T17:02:32Z)
Computational Lower Bounds for Graphon Estimation via Low-degree Polynomials [14.908056172167052]
低次推定器の場合、その推定誤差はUSVTの推定値よりもかなり良くないことを示す。この結果は、Schramm と Wein (2022) による近年の低次展開に基づいて証明され、一般グラフトン推定問題に適用する際のいくつかの重要な課題を克服する。
論文参考訳（メタデータ） (2023-08-30T03:11:42Z)
Robust Gaussian Process Regression with Huber Likelihood [2.7184224088243365]
本稿では,ハマー確率分布として表される観測データの可能性を考慮した,ガウス過程フレームワークにおけるロバストなプロセスモデルを提案する。提案モデルでは、予測統計に基づく重みを用いて、残差を拡大し、潜伏関数推定における垂直外れ値と悪レバレッジ点の影響を限定する。
論文参考訳（メタデータ） (2023-01-19T02:59:33Z)
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)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Non-Gaussian Component Analysis via Lattice Basis Reduction [56.98280399449707]
非ガウス成分分析(NGCA)は分布学習問題である。我々は,NGCA に対して,$A$ が離散的あるいはほぼ離散的であるような効率的なアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-12-16T18:38:02Z)
From Optimality to Robustness: Dirichlet Sampling Strategies in Stochastic Bandits [0.0]
本研究では、腕の観察を再サンプリングした経験的指標のペア比較に基づいて、ジェネリックディリクレサンプリング(DS)アルゴリズムについて検討する。この戦略の異なる変種は、分布が有界であるときに証明可能な最適後悔保証と、半有界分布に対して軽度量子状態の対数後悔を実現することを示す。
論文参考訳（メタデータ） (2021-11-18T14:34:21Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文参考訳（メタデータ） (2020-01-31T23:50:03Z)

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。