Fugu-MT 論文翻訳(概要): Lower Bounds for Private Estimation of Gaussian Covariance Matrices under All Reasonable Parameter Regimes

論文の概要: Lower Bounds for Private Estimation of Gaussian Covariance Matrices under All Reasonable Parameter Regimes

arxiv url: http://arxiv.org/abs/2404.17714v1
Date: Fri, 26 Apr 2024 22:17:32 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 19:40:37.910399
Title: Lower Bounds for Private Estimation of Gaussian Covariance Matrices under All Reasonable Parameter Regimes
Title（参考訳）: 全パラメータ規則に基づくガウス共分散行列のプライベート推定のための下界
Authors: Victor S. Portella, Nick Harvey,
Abstract要約: 我々の境界は、最も広く知られているパラメータの集合における既存の上界と一致する。我々の分析は、以前のフィンガープリント・レムマの議論で使われた古典的なスタインのアイデンティティの拡張であるスタイン=ハフのアイデンティティに依存している。
参考スコア（独自算出の注目度）: 2.7624021966289605
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We prove lower bounds on the number of samples needed to privately estimate the covariance matrix of a Gaussian distribution. Our bounds match existing upper bounds in the widest known setting of parameters. Our analysis relies on the Stein-Haff identity, an extension of the classical Stein's identity used in previous fingerprinting lemma arguments.
Abstract（参考訳）: ガウス分布の共分散行列をプライベートに推定するために必要なサンプル数に対する下界を証明した。我々の境界は、最も広く知られているパラメータの集合における既存の上界と一致する。我々の分析は、以前のフィンガープリント・レムマの議論で使われた古典的なスタインのアイデンティティの拡張であるスタイン=ハフのアイデンティティに依存している。

関連論文リスト

Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文参考訳（メタデータ） (2023-11-08T15:17:13Z)
Curvature-Independent Last-Iterate Convergence for Games on Riemannian Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文参考訳（メタデータ） (2023-06-29T01:20:44Z)
Sharp Deviations Bounds for Dirichlet Weighted Sums with Application to analysis of Bayesian algorithms [30.310960863405267]
ディリクレ確率変数の重み付け和に対する鋭い非漸近偏差境界を導出する。これらの境界は、重み付きディリクレ和の密度の新たな積分表現に基づいている。
論文参考訳（メタデータ） (2023-04-06T13:15:51Z)
Quantitative deterministic equivalent of sample covariance matrices with a general dependence structure [0.0]
我々は、次元とスペクトルパラメータの両方を含む量的境界を証明し、特に実正の半直線に近づくことを可能にする。応用として、これらの一般モデルの経験スペクトル分布のコルモゴロフ距離の収束の新しい境界を得る。
論文参考訳（メタデータ） (2022-11-23T15:50:31Z)
Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
論文参考訳（メタデータ） (2022-11-02T16:39:42Z)
Targeted Separation and Convergence with Kernel Discrepancies [66.48817218787006]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文参考訳（メタデータ） (2022-09-26T16:41:16Z)
Nonconvex Stochastic Scaled-Gradient Descent and Generalized Eigenvector Problems [98.34292831923335]
オンライン相関解析の問題から,emphStochastic Scaled-Gradient Descent (SSD)アルゴリズムを提案する。我々はこれらのアイデアをオンライン相関解析に適用し、局所収束率を正規性に比例した最適な1時間スケールのアルゴリズムを初めて導いた。
論文参考訳（メタデータ） (2021-12-29T18:46:52Z)
Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
論文参考訳（メタデータ） (2021-05-03T16:36:27Z)
Tighter expected generalization error bounds via Wasserstein distance [23.52237892358981]
ワッサーシュタイン距離に基づくいくつかの予測一般化誤差境界を導入する。標準設定とランダム化サブサンプル設定の両方に、フルデータセット、シングルレター、ランダムサブセット境界を示す。異なる情報測度に基づく新しい境界が提示された境界からどのように導出されるかを示す。
論文参考訳（メタデータ） (2021-01-22T20:13:59Z)
On the Sample Complexity of Privately Learning Unbounded High-Dimensional Gaussians [13.517767928653443]
これらは、分布のパラメータに制限を課さない一般ガウス群に対する最初の有限標本上界である。技術的な観点からは、この空間の局所被覆からグローバルな「局所的に小さい」被覆の存在を論じる分析ツールを提供する。我々の手法は、有限被覆を持たない他の分布クラスをプライベートに学習するのに有用である。
論文参考訳（メタデータ） (2020-10-19T23:55:03Z)

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。