論文の概要: Private Wasserstein Distance with Random Noises

• arxiv url: http://arxiv.org/abs/2404.06787v1
• Date: Wed, 10 Apr 2024 06:58:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 15:19:53.023983
• Title: Private Wasserstein Distance with Random Noises
• Title（参考訳）: ランダムノイズを伴う個人ワッサースタイン距離
• Authors: Wenqian Li, Haozhi Wang, Zhe Huang, Yan Pang,
• Abstract要約: ワッサーシュタイン空間の基底となる三角形の性質について検討し、トライアングルワッド(TriangleWad)という簡単な解が導かれる。 TriangleWadは20倍高速で、生のデータ情報を真に見えなくし、攻撃に対するレジリエンスを高め、推定精度を犠牲にしない。
• 参考スコア（独自算出の注目度）: 7.459793194754823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wasserstein distance is a principle measure of data divergence from a distributional standpoint. However, its application becomes challenging in the context of data privacy, where sharing raw data is restricted. Prior attempts have employed techniques like Differential Privacy or Federated optimization to approximate Wasserstein distance. Nevertheless, these approaches often lack accuracy and robustness against potential attack. In this study, we investigate the underlying triangular properties within the Wasserstein space, leading to a straightforward solution named TriangleWad. This approach enables the computation of Wasserstein distance between datasets stored across different entities. Notably, TriangleWad is 20 times faster, making raw data information truly invisible, enhancing resilience against attacks, and without sacrificing estimation accuracy. Through comprehensive experimentation across various tasks involving both image and text data, we demonstrate its superior performance and generalizations.
• Abstract（参考訳）: ワッサーシュタイン距離(Wasserstein distance)は、分散的な観点からのデータ分散の原理的な尺度である。 しかし、生データの共有が制限されるデータプライバシの文脈では、そのアプリケーションは困難になる。 これまでは、差分プライバシーやフェデレーション最適化といった手法を使って、Wasserstein距離を近似していた。 しかしながら、これらのアプローチは攻撃の可能性に対して正確さと堅牢さを欠いていることが多い。 本研究では、ワッサーシュタイン空間の基底となる三角形の性質について検討し、トライアングルワッド(TriangleWad)という簡単な解を導いた。 このアプローチにより、異なるエンティティにまたがるデータセット間のワッサースタイン距離の計算が可能になる。 特にTriangleWadは20倍高速で、生のデータ情報を真に見えなくし、攻撃に対するレジリエンスを高め、推定精度を犠牲にしない。 画像データとテキストデータの両方を含む様々なタスクの総合的な実験を通じて、その優れた性能と一般化を実証する。

関連論文リスト

• Federated Wasserstein Distance [16.892296712204597]
  本稿では、2つの分布間のワッサーシュタイン距離を連合的に計算する原理的方法を紹介する。 中央のエンティティ/サーバが計算をオーケストレーションしている間に、異なるデバイス/クライアントに格納および保持されている2つのサンプル間のWasserstein距離を推定する方法を示す。
  論文  参考訳（メタデータ） (2023-10-03T11:30:50Z)
• Wasserstein Adversarial Examples on Univariant Time Series Data [23.15675721397447]
  時系列データに対するワッサーシュタイン空間の逆例を提案する。 We use Wasserstein distance to bound the perturbation between normal example and adversarial examples。 医療領域における時系列データセットに対する攻撃を実証的に評価した。
  論文  参考訳（メタデータ） (2023-03-22T07:50:15Z)
• Statistical, Robustness, and Computational Guarantees for Sliced Wasserstein Distances [18.9717974398864]
  スライスされたワッサーシュタイン距離は古典的なワッサーシュタイン距離の性質を保ちながら、高次元での計算と推定によりスケーラブルである。 このスケーラビリティを, (i) 経験的収束率, (ii) データの汚染に対する堅牢性, (iii) 効率的な計算方法という3つの重要な側面から定量化する。
  論文  参考訳（メタデータ） (2022-10-17T15:04:51Z)
• Exact Statistical Inference for the Wasserstein Distance by Selective Inference [20.309302270008146]
  条件選択推論(SI)の概念に着想を得たワッサーシュタイン距離の正確な(漸近的でない)推論法を提案する。 我々の知る限り、これは有限サンプルカバレッジを保証するワッサーシュタイン距離に対して有効な信頼区間(CI)を提供する最初の方法である。 提案手法の有効性を,合成データセットと実世界のデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2021-09-29T06:16:50Z)
• Partial Wasserstein Covering [10.52782170493037]
  我々は、大規模なデータセットをエミュレートする目的で、部分的なWassersteinと呼ばれる一般的なタスクについて検討する。 この問題をワッサーシュタイン偏微分を目的関数とする離散最適化問題としてモデル化する。 我々は、シーンデータセットの駆動を含む部分的なワッサースタインの発散の観点から、2つのデータセットを効率的に作成できることを示します。
  論文  参考訳（メタデータ） (2021-06-02T01:48:41Z)
• Ranking the information content of distance measures [61.754016309475745]
  2つの異なる距離測度を用いて保持する相対的情報を評価する統計的テストを導入する。 これにより、候補者のプールから最も情報に富んだ距離を測定することができる。
  論文  参考訳（メタデータ） (2021-04-30T15:57:57Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
  差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。 本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。 このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
  論文  参考訳（メタデータ） (2020-06-16T17:47:48Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)
• Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
  プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。 本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
  論文  参考訳（メタデータ） (2020-06-12T20:40:22Z)
• Fast and Robust Comparison of Probability Measures in Heterogeneous Spaces [62.35667646858558]
  本稿では, アンカー・エナジー (AE) とアンカー・ワッサースタイン (AW) 距離を紹介する。 我々の主な貢献は、素案実装が立方体となる対数四重項時間でAEを正確に計算するスイープラインアルゴリズムを提案することである。 AE と AW は,一般的な GW 近似の計算コストのごく一部において,様々な実験環境において良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-05T03:09:23Z)

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。