論文の概要: Efficient and Private Marginal Reconstruction with Local Non-Negativity
- arxiv url: http://arxiv.org/abs/2410.01091v1
- Date: Tue, 1 Oct 2024 21:39:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 23:20:41.427740
- Title: Efficient and Private Marginal Reconstruction with Local Non-Negativity
- Title（参考訳）: 局所的非負性性を伴う効率良く, かつ, プライベートな大腿骨再建術
- Authors: Brett Mullins, Miguel Fuentes, Yingtai Xiao, Daniel Kifer, Cameron Musco, Daniel Sheldon,
- Abstract要約: 本稿では,限界クエリに対する応答を再構成するための基本的かつ効率的なポストプロセッシング手法ReMを提案する。
拡張GReM-LNNは、一貫性と非負性を満たすガウス雑音の下で境界を再構成する。
既存のプライベートクエリ応答機構を改善するためにReMとGReM-LNNを適用することで、ReMとGReM-LNNの有用性を実証する。
- 参考スコア（独自算出の注目度）: 28.968601257521644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential privacy is the dominant standard for formal and quantifiable privacy and has been used in major deployments that impact millions of people. Many differentially private algorithms for query release and synthetic data contain steps that reconstruct answers to queries from answers to other queries measured by the mechanism. Reconstruction is an important subproblem for such mechanisms to economize the privacy budget, minimize error on reconstructed answers, and allow for scalability to high-dimensional datasets. In this paper, we introduce a principled and efficient postprocessing method ReM (Residuals-to-Marginals) for reconstructing answers to marginal queries. Our method builds on recent work on efficient mechanisms for marginal query release, based on making measurements using a residual query basis that admits efficient pseudoinversion, which is an important primitive used in reconstruction. An extension GReM-LNN (Gaussian Residuals-to-Marginals with Local Non-negativity) reconstructs marginals under Gaussian noise satisfying consistency and non-negativity, which often reduces error on reconstructed answers. We demonstrate the utility of ReM and GReM-LNN by applying them to improve existing private query answering mechanisms: ResidualPlanner and MWEM.
- Abstract（参考訳）: 差別化プライバシは、フォーマルで定量化されたプライバシの主要な標準であり、数百万人に影響を与える大規模なデプロイメントで使用されている。
クエリリリースと合成データのための多くの微分プライベートアルゴリズムは、回答からメカニズムによって測定された他のクエリまで、クエリに対する回答を再構築するステップを含んでいる。
リコンストラクションは、プライバシ予算の緩和、再構成された回答のエラーの最小化、高次元データセットへのスケーラビリティを実現するための重要なサブプロブレムである。
本稿では,ReM(Residuals-to-Marginals)という基本的かつ効率的なポストプロセッシング手法を提案する。
提案手法は, 効率的な擬似逆変換を許容する残差クエリベースを用いて, 残差クエリを効率的に解放する機構に関する最近の研究に基づいて構築されている。
拡張GReM-LNN(Gaussian Residuals-to-Marginals with Local Non-Negativity)は、ガウス雑音の下で境界を再構成し、一貫性と非負性を満たす。
本稿では,ReM と GReM-LNN の有効性を実演し,既存のプライベートクエリ応答機構である ResidualPlanner と MWEM を改良した。
関連論文リスト
- RE-RAG: Improving Open-Domain QA Performance and Interpretability with Relevance Estimator in Retrieval-Augmented Generation [5.10832476049103]
本稿では,従来のリランカが行ったようなコンテキスト間の相対的関連性を提供する関連性推定器(RE)を提案する。
我々は,小型発電機(sLM)で訓練したREが,REとともに微調整されたsLMを改良するだけでなく,従来は未参照の大規模言語モデルも改善できることを示した。
論文 参考訳（メタデータ） (2024-06-09T14:11:19Z) - UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。
まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。
次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文 参考訳（メタデータ） (2024-02-12T19:39:26Z) - Self-RAG: Learning to Retrieve, Generate, and Critique through
Self-Reflection [74.51523859064802]
我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。
自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。
様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-10-17T18:18:32Z) - Subspace-Guided Feature Reconstruction for Unsupervised Anomaly
Localization [5.085309164633571]
監督されていない異常なローカライゼーションは工業生産において重要な役割を担っている。
最近の手法では、事前訓練されたディープニューラルネットワークを用いて、ターゲットサンプルの特徴マッチングや再構成を行う。
本稿では,アノマライゼーションのための適応的特徴近似を追求する,新しいサブスペース誘導型特徴再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-25T06:58:57Z) - Bounding data reconstruction attacks with the hypothesis testing
interpretation of differential privacy [78.32404878825845]
レコンストラクションロバストネス(ReRo)は、機械学習モデルに対するデータ再構成攻撃の成功の上限として最近提案されている。
これまでの研究では、差分プライバシー(DP)機構がReRoを提供することを示したが、これまではモンテカルロによるReRo境界の厳密な推定しか示されていない。
論文 参考訳（メタデータ） (2023-07-08T08:02:47Z) - Global Convergence of Sub-gradient Method for Robust Matrix Recovery:
Small Initialization, Noisy Measurements, and Over-parameterization [4.7464518249313805]
サブグラディエント法(Sub-gradient method, SubGM)は, 限られた測定値から低ランク行列を復元するために用いられる。
我々は、SubGMが任意の大きさの高密度ノイズ値の下でも、真の解に収束することを示す。
論文 参考訳（メタデータ） (2022-02-17T17:50:04Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Relaxed Marginal Consistency for Differentially Private Query Answering [19.276819678442532]
Private-PGMは、グラフィカルモデルを使用してデータ分散を表現する最近のアプローチである。
Private-PGMはスパース測定には高いスケーラビリティがあるが、密度測定で高次元での動作に失敗する可能性がある。
推定対象の一貫性制約を緩和する原理的アプローチにより,Private-PGMの主な限界を克服する。
論文 参考訳（メタデータ） (2021-09-13T17:47:02Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Regularization-Agnostic Compressed Sensing MRI Reconstruction with
Hypernetworks [21.349071909858218]
正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。
実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。
特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
論文 参考訳（メタデータ） (2021-01-06T18:55:37Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z)
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。