Fugu-MT 論文翻訳(概要): Privately Counting Partially Ordered Data

論文の概要: Privately Counting Partially Ordered Data

arxiv url: http://arxiv.org/abs/2410.06881v1
Date: Wed, 9 Oct 2024 13:43:35 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 23:47:07.727050
Title: Privately Counting Partially Ordered Data
Title（参考訳）: 半順序データのプライベートカウント
Authors: Matthew Joseph, Mónica Ribero, Alexander Yu,
Abstract要約: 各データポイントが部分順序を満たす$d$ビットからなる場合、差分プライベートカウントを考える。私たちの主な技術的貢献は問題固有の$K$-normメカニズムで、時間内に$O(d2)$を実行します。
参考スコア（独自算出の注目度）: 50.98561191019676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider differentially private counting when each data point consists of $d$ bits satisfying a partial order. Our main technical contribution is a problem-specific $K$-norm mechanism that runs in time $O(d^2)$. Experiments show that, depending on the partial order in question, our solution dominates existing pure differentially private mechanisms, and can reduce their error by an order of magnitude or more.
Abstract（参考訳）: 各データポイントが部分順序を満たす$d$ビットからなる場合、差分プライベートカウントを考える。私たちの主な技術的貢献は問題固有の$K$-normメカニズムで、時間内に$O(d^2)$を実行します。実験により、問題の部分順序により、我々の解は、既存の純粋に微分プライベートなメカニズムを支配しており、その誤差を桁違いに減らすことができることが示された。

関連論文リスト

On Computing Pairwise Statistics with Local Differential Privacy [55.81991984375959]
例えば$binomn2-1 sum_i ne j f(x_i, x_j)$, $x_i$ は$i$thユーザへの入力を表し、ローカルモデルでは差分プライバシ(DP)である。この定式化は、Kendallの$tau$ coefficient、Area Under Curve、Giniの平均差、Giniのエントロピーなどの重要なメトリクスをキャプチャする。
論文参考訳（メタデータ） (2024-06-24T04:06:09Z)
Fixed-Budget Differentially Private Best Arm Identification [62.36929749450298]
差分プライバシー制約下における固定予算制度における線形包帯のベストアーム識別(BAI)について検討した。誤差確率に基づいてミニマックス下限を導出し、下限と上限が指数関数的に$T$で崩壊することを示した。
論文参考訳（メタデータ） (2024-01-17T09:23:25Z)
Differential Privacy for Clustering Under Continual Observation [5.220940151628734]
我々は、点の挿入と削除の両方を行う$mathbbRd$のデータセットをプライベートにクラスタリングする問題を考える。連続観測において、$k$-meansの目的に対して、$varepsilon$-differentially private clustering 機構を提供する。
論文参考訳（メタデータ） (2023-07-07T07:23:56Z)
Counting Distinct Elements in the Turnstile Model with Differential Privacy under Continual Observation [3.9476868147424162]
挿入や削除を処理するすべての異なるプライベートなメカニズムは、比較的弱いイベントレベルのプライバシ定義の下でも、最低でもT1/4$の付加エラーがあることを示す。最大フリップパンシー$w$を持つすべてのターンタイルストリームに対して、$O(sqrtw cdot polylog T)$加法誤差で異なる要素の数を連続的に出力するアイテムレベル微分プライベート機構を提案する。
論文参考訳（メタデータ） (2023-06-11T16:54:39Z)
Private Query Release via the Johnson-Lindenstrauss Transform [93.20051580730234]
差分プライバシーを持つ統計的クエリに対する回答を解放する新しい手法を提案する。鍵となる考え方は、クエリの回答を低次元空間にランダムに投影することである。単純なノイズ付加機構を用いて予測されたクエリに回答し、元の次元まで答えを引き上げます。
論文参考訳（メタデータ） (2022-08-15T19:19:16Z)
Scalable Differentially Private Clustering via Hierarchically Separated Trees [82.69664595378869]
我々は,最大$O(d3/2log n)cdot OPT + O(k d2 log2 n / epsilon2)$,$epsilon$はプライバシ保証であることを示す。最悪の場合の保証は、最先端のプライベートクラスタリング手法よりも悪いが、提案するアルゴリズムは実用的である。
論文参考訳（メタデータ） (2022-06-17T09:24:41Z)
Tight and Robust Private Mean Estimation with Few Users [16.22135057266913]
ユーザレベルの差分プライバシーに基づく高次元平均推定について検討する。可能な限り少数のユーザを使って、$(eps,delta)$-differentially privateメカニズムを設計します。
論文参考訳（メタデータ） (2021-10-22T16:02:21Z)
Differentially Private Approximate Quantiles [27.950292359069216]
本研究では、微分プライベート(DP)量子化の問題を研究する。我々は、真の量子化にできるだけ近い$m$の量子化推定を出力し、DPを保存したい。
論文参考訳（メタデータ） (2021-10-11T17:19:27Z)
Differentially Private Quantiles [12.917299605014419]
我々は,$n$のデータポイントから$m$quantilesを同時に推定する指数的メカニズムの例を提案する。本手法は, 実データと合成データの両方において, 技術の現状を著しく上回っている。
論文参考訳（メタデータ） (2021-02-16T16:02:59Z)
Private Learning of Halfspaces: Simplifying the Construction and Reducing the Sample Complexity [63.29100726064574]
有限格子上の半空間に対して微分プライベート学習器を$mathbbRd$で$G$で、サンプル複雑性を$approx d2.5cdot 2log*|G|$で表す。学習者のためのビルディングブロックは、線形実現可能性問題を解くために、微分プライベートな新しいアルゴリズムである。
論文参考訳（メタデータ） (2020-04-16T16:12:10Z)

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。