論文の概要: Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models

• arxiv url: http://arxiv.org/abs/2409.04194v2
• Date: Wed, 2 Oct 2024 17:01:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 23:00:54.738712
• Title: Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models
• Title（参考訳）: 確率的関係モデルによるプライバシー保護リレーショナルデータ合成に向けて
• Authors: Malte Luttermann, Ralf Möller, Mattis Hartwig,
• Abstract要約: 確率的リレーショナルモデルは、一階述語論理と確率的モデルを組み合わせるための確立された形式主義を提供する。 人工知能の分野は、さまざまな機械学習タスクのために、ますます大量のリレーショナルトレーニングデータを必要とする。 プライバシの懸念やデータ保護の規制、高コストなどにより、現実のデータの収集は難しいことが多い。
• 参考スコア（独自算出の注目度）: 3.877001015064152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic relational models provide a well-established formalism to combine first-order logic and probabilistic models, thereby allowing to represent relationships between objects in a relational domain. At the same time, the field of artificial intelligence requires increasingly large amounts of relational training data for various machine learning tasks. Collecting real-world data, however, is often challenging due to privacy concerns, data protection regulations, high costs, and so on. To mitigate these challenges, the generation of synthetic data is a promising approach. In this paper, we solve the problem of generating synthetic relational data via probabilistic relational models. In particular, we propose a fully-fledged pipeline to go from relational database to probabilistic relational model, which can then be used to sample new synthetic relational data points from its underlying probability distribution. As part of our proposed pipeline, we introduce a learning algorithm to construct a probabilistic relational model from a given relational database.
• Abstract（参考訳）: 確率的リレーショナルモデル(英語版)は、一階述語論理と確率的モデルを組み合わせて、関係領域内のオブジェクト間の関係を表現するために確立された定式化を提供する。 同時に、人工知能の分野は、さまざまな機械学習タスクのための大量のリレーショナルトレーニングデータを必要としている。 しかし、プライバシーの懸念やデータ保護の規制、高コストなどにより、現実世界のデータ収集は難しいことが多い。 これらの課題を軽減するために、合成データの生成は有望なアプローチである。 本稿では,確率的関係モデルを用いて合成関係データを生成する問題を解く。 特に,リレーショナルデータベースから確率的リレーショナルモデルへ移行し,その基礎となる確率分布から新しい合成リレーショナルデータポイントをサンプリングするパイプラインを提案する。 提案するパイプラインの一部として,与えられた関係データベースから確率的関係モデルを構築するための学習アルゴリズムを導入する。

関連論文リスト

• Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
  本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。 提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。 提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
  論文  参考訳（メタデータ） (2024-11-04T09:51:10Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• Generating Realistic Synthetic Relational Data through Graph Variational Autoencoders [47.89542334125886]
  変動型オートエンコーダフレームワークとグラフニューラルネットワークを組み合わせることで,リアルな合成関係データベースを生成する。 結果は、実際のデータベースの構造が結果の合成データセットに正確に保存されていることを示している。
  論文  参考訳（メタデータ） (2022-11-30T10:40:44Z)
• Comparing Synthetic Tabular Data Generation Between a Probabilistic Model and a Deep Learning Model for Education Use Cases [12.358921226358133]
  合成データを生成する能力は、さまざまなドメインにまたがってさまざまなユースケースを持つ。 教育研究においては、特定の概念やアイデアをテストするために合成データにアクセスする必要性が高まっている。
  論文  参考訳（メタデータ） (2022-10-16T13:21:23Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Foundations of Bayesian Learning from Synthetic Data [1.6249267147413522]
  我々はベイズパラダイムを用いて、合成データから学習する際のモデルパラメータの更新を特徴付ける。 ベイジアン・アップデートの最近の成果は、決定理論に基づく新しい、堅牢な合成学習のアプローチを支持している。
  論文  参考訳（メタデータ） (2020-11-16T21:49:17Z)
• On synthetic data generation for anomaly detection in complex social networks [1.1602089225841632]
  本稿では,ミッションクリティカルな応用のための合成データ生成の実現可能性について検討する。 特に,複雑なソーシャルネットワークにおける異常な活動のデータを生成可能な生成モデルの開発が求められている。
  論文  参考訳（メタデータ） (2020-10-25T03:53:19Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)
• Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings [35.877591735510734]
  すべてのクエリが実行される確率的データベースモデルを形式化する。 十分に定義された連立確率分布の欠如は、単純な問合せ問題を証明し難いものにする。 本稿では, トラクタブル確率データベースとして設計したリレーショナル埋め込みモデルTOを紹介する。
  論文  参考訳（メタデータ） (2020-02-24T01:17:25Z)

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。