論文の概要: Naturally Private Recommendations with Determinantal Point Processes
- arxiv url: http://arxiv.org/abs/2405.13677v1
- Date: Wed, 22 May 2024 14:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 23:54:52.778631
- Title: Naturally Private Recommendations with Determinantal Point Processes
- Title（参考訳）: 決定的点過程をもつ自然的私的勧告
- Authors: Jack Fitzsimons, Agustín Freitas Pasqualini, Robert Pisarczyk, Dmitrii Usynin,
- Abstract要約: 本稿では、コンテンツの人気と多様性の両面からレコメンデーションをバランスさせる決定的ポイントプロセス(DPP)について論じる。
私たちは、プライバシーとユーティリティのトレードオフに関して、より効率的になるような、DPPの簡単な代替案を提案して、結論付けました。
- 参考スコア（独自算出の注目度）: 0.6249768559720122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Often we consider machine learning models or statistical analysis methods which we endeavour to alter, by introducing a randomized mechanism, to make the model conform to a differential privacy constraint. However, certain models can often be implicitly differentially private or require significantly fewer alterations. In this work, we discuss Determinantal Point Processes (DPPs) which are dispersion models that balance recommendations based on both the popularity and the diversity of the content. We introduce DPPs, derive and discuss the alternations required for them to satisfy epsilon-Differential Privacy and provide an analysis of their sensitivity. We conclude by proposing simple alternatives to DPPs which would make them more efficient with respect to their privacy-utility trade-off.
- Abstract（参考訳）: しばしば、ランダム化機構を導入して、モデルを差分プライバシー制約に適合させるために、変更しようとする機械学習モデルや統計的分析手法を検討する。
しかしながら、特定のモデルは暗黙的に差分的または著しく少ない変更を必要とすることがある。
本稿では,コンテンツの人気と多様性の両面からレコメンデーションのバランスをとる分散モデルであるDPP(Determinantal Point Processes)について論じる。
我々は, DPPを導入し, エプシロン・ディファレンシャル・プライバシを満たすために必要な変化を導出し,議論し, その感度を解析する。
私たちは、プライバシーとユーティリティのトレードオフに関して、より効率的になるような、DPPの簡単な代替案を提案して、結論付けました。
関連論文リスト
- Efficient and Private: Memorisation under differentially private parameter-efficient fine-tuning in language models [2.3281513013731145]
特定のタスクのための微調整された大型言語モデル(LLM)は、不注意に記憶し、センシティブなトレーニングデータを漏洩する可能性があるため、プライバシのリスクをもたらす。
差分プライバシー(DP)は、これらのリスクを軽減するソリューションを提供するが、重大な計算とパフォーマンスのトレードオフをもたらす。
PEFT法は,パラメータを少なくし,プライバシリークを著しく低減しつつ,標準的な微調整に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2024-11-24T13:17:36Z) - Fine-Tuning Language Models with Differential Privacy through Adaptive Noise Allocation [33.795122935686706]
本稿では,モデルパラメータの重要性に基づいて適応的に付加雑音を割り当てる新しいアルゴリズムANADPを提案する。
ANADPは,一連のデータセットにおいて,通常の微調整と従来のDP微調整のパフォーマンスギャップを狭めることを実証する。
論文 参考訳（メタデータ） (2024-10-03T19:02:50Z) - Privacy-Aware Randomized Quantization via Linear Programming [13.002534825666219]
偏りがなく、偏りのない量子化機構のファミリーを提案する。
提案するメカニズムは,ベースラインと比較して,より優れたプライバシ・正確性トレードオフを実現することができる。
論文 参考訳（メタデータ） (2024-06-01T18:40:08Z) - Spectral Co-Distillation for Personalized Federated Learning [69.97016362754319]
本稿では,モデルスペクトル情報に基づく新しい蒸留法を提案する。
また、汎用モデルトレーニングとパーソナライズモデルトレーニングの双方向ブリッジを確立するための共蒸留フレームワークも導入する。
提案したスペクトル共蒸留法の有効性と性能を実証し,また,待ち時間のないトレーニングプロトコルについて述べる。
論文 参考訳（メタデータ） (2024-01-29T16:01:38Z) - Differentially Private Gradient Flow based on the Sliced Wasserstein Distance [59.1056830438845]
本稿では,確率測度空間の勾配流に基づく新しい微分プライベートな生成モデリング手法を提案する。
実験により,提案モデルが低プライバシー予算で高忠実度データを生成可能であることが示された。
論文 参考訳（メタデータ） (2023-12-13T15:47:30Z) - Automated discovery of trade-off between utility, privacy and fairness
in machine learning models [8.328861861105889]
手動制約設定プロセスによって達成された既知の結果の再現にPFairDPをどのように利用できるかを示す。
さらに,複数のモデルとデータセットを用いたPFairDPの有効性を示す。
論文 参考訳（メタデータ） (2023-11-27T10:28:44Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - The Choice of Noninformative Priors for Thompson Sampling in
Multiparameter Bandit Models [56.31310344616837]
トンプソンサンプリング(TS)は、様々な報酬モデルにまたがる理論的な保証によって支持される卓越した経験的性能で知られている。
本研究では,理論的理解の欠如のある新しいモデルを扱う際に,非形式的事前選択がTSの性能に与える影響について考察する。
論文 参考訳（メタデータ） (2023-02-28T08:42:42Z) - Differentially Private Estimation of Hawkes Process [81.20710494974281]
本稿では,Hawkesプロセスの離散化表現に基づいて,イベントストリームデータに対する微分プライバシーの厳密な定義を導入する。
次に、2つの微分プライベート最適化アルゴリズムを提案する。これにより、Hawkesプロセスモデルに望ましいプライバシとユーティリティの保証を持たせることができる。
論文 参考訳（メタデータ） (2022-09-15T13:59:23Z) - Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data
to Learn Robust and Invariant Representations [76.85274970052762]
元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。
本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。
私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-25T22:40:09Z)
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。