論文の概要: Private Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2404.06787v2
• Date: Sun, 02 Feb 2025 07:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-04 16:07:06.686275
• Title: Private Wasserstein Distance
• Title（参考訳）: Private Wasserstein Distance
• Authors: Wenqian Li, Yan Pang,
• Abstract要約: ワッサーシュタイン距離は、分散の観点からデータの分散を定量化するための鍵となる指標である。 本研究では、ワッサーシュタイン空間内の固有三角形の性質を探求し、新しい解であるトライアングルワッド(TriangleWad)を導いた。
• 参考スコア（独自算出の注目度）: 6.015898117103069
• License:
• Abstract: Wasserstein distance is a key metric for quantifying data divergence from a distributional perspective. However, its application in privacy-sensitive environments, where direct sharing of raw data is prohibited, presents significant challenges. Existing approaches, such as Differential Privacy and Federated Optimization, have been employed to estimate the Wasserstein distance under such constraints. However, these methods often fall short when both accuracy and security are required. In this study, we explore the inherent triangular properties within the Wasserstein space, leading to a novel solution named TriangleWad. This approach facilitates the fast computation of the Wasserstein distance between datasets stored across different entities, ensuring that raw data remain completely hidden. TriangleWad not only strengthens resistance to potential attacks but also preserves high estimation accuracy. Through extensive experiments across various tasks involving both image and text data, we demonstrate its superior performance and significant potential for real-world applications.
• Abstract（参考訳）: ワッサーシュタイン距離は、分散の観点からデータの分散を定量化するための鍵となる指標である。 しかし、生データの直接共有が禁止されているプライバシーに敏感な環境におけるその応用は、重大な課題を呈している。 微分プライバシーやフェデレート最適化といった既存のアプローチは、そのような制約の下でワッサーシュタイン距離を推定するために使われてきた。 しかし、これらの手法は精度とセキュリティの両方を必要とする場合、しばしば不足する。 本研究では、ワッサーシュタイン空間内の固有三角形の性質を探求し、新しい解であるトライアングルワッド(TriangleWad)を導いた。 このアプローチは、異なるエンティティにまたがって格納されたデータセット間のWasserstein距離の高速な計算を可能にし、生データが完全に隠されていることを保証する。 TriangleWadは潜在的な攻撃に対する抵抗を強化するだけでなく、高い推定精度も維持する。 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にわたる広範な実験を通じて、実世界のアプリケーションにおいて、その優れた性能と有意義なポテンシャルを実証する。

関連論文リスト

• Learning with Differentially Private (Sliced) Wasserstein Gradients [3.154269505086155]
  本稿では,データ依存的経験的尺度間のワッサーシュタイン距離に依存する目的をプライベートに最適化するための新しい枠組みを提案する。 我々の主要な理論的貢献は、ワッサーシュタイン勾配を完全に離散的に明示的に定式化することに基づいている。 本研究では,有限サム構造を持つ問題に対するDP学習を目的とした,勾配とアクティベーションのクリッピングを取り入れたディープラーニング手法を開発した。
  論文  参考訳（メタデータ） (2025-02-03T09:14:26Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• 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)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• 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)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)
• 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)
• 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)

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。