論文の概要: Towards Robust Federated Analytics via Differentially Private Measurements of Statistical Heterogeneity

• arxiv url: http://arxiv.org/abs/2411.04579v2
• Date: Thu, 28 Nov 2024 23:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:15:16.500484
• Title: Towards Robust Federated Analytics via Differentially Private Measurements of Statistical Heterogeneity
• Title（参考訳）: 統計的不均一性の測定によるロバストなフェデレーション分析に向けて
• Authors: Mary Scott, Graham Cormode, Carsten Maple,
• Abstract要約: 差分プライバシーの研究において、統計的に異質なデータセットを使用することで精度が著しく低下することはよくある問題である。 統計的不均一性を測る最も有望な3つの方法を探索し、その正確性について公式を与える。 我々は,ルート探索手法を組み込んだ分析機構を用いて,最適プライバシーパラメータを求める。
• 参考スコア（独自算出の注目度）: 16.707744869127865
• License:
• Abstract: Statistical heterogeneity is a measure of how skewed the samples of a dataset are. It is a common problem in the study of differential privacy that the usage of a statistically heterogeneous dataset results in a significant loss of accuracy. In federated scenarios, statistical heterogeneity is more likely to happen, and so the above problem is even more pressing. We explore the three most promising ways to measure statistical heterogeneity and give formulae for their accuracy, while simultaneously incorporating differential privacy. We find the optimum privacy parameters via an analytic mechanism, which incorporates root finding methods. We validate the main theorems and related hypotheses experimentally, and test the robustness of the analytic mechanism to different heterogeneity levels. The analytic mechanism in a distributed setting delivers superior accuracy to all combinations involving the classic mechanism and/or the centralized setting. All measures of statistical heterogeneity do not lose significant accuracy when a heterogeneous sample is used.
• Abstract（参考訳）: 統計的不均一性は、データセットのサンプルがどのように歪んだかの尺度である。 差分プライバシーの研究において、統計的に異質なデータセットを使用することで精度が著しく低下することはよくある問題である。 連合シナリオでは、統計的不均一性がより起こりやすいため、上記の問題がさらに迫っている。 統計的不均一性を計測し、それらの精度を公式化し、同時に差分プライバシーを組み込む3つの最も有望な方法を探る。 我々は,ルート探索手法を組み込んだ分析機構を用いて,最適プライバシーパラメータを求める。 主定理と関連する仮説を実験的に検証し、解析機構の堅牢性を異なる不均一度レベルに検証する。 分散設定における解析機構は、古典的な機構と/または集中的な設定を含むすべての組み合わせに優れた精度を提供する。 統計的不均一性のすべての測定は、不均一なサンプルを使用すると、大きな精度を失うことはない。

関連論文リスト

• Towards a Unified Theory for Semiparametric Data Fusion with Individual-Level Data [1.0650780147044159]
  本研究では,様々な独立した情報源からの個人レベルのデータを活用することで,滑らかな有限次元パラメータに関する推論を行うという目的に対処する。 近年の進歩により、異なるデータソースが結合対象分布の単一因数分解の条件分布の、おそらくは別個のサブセットと整合するシナリオを扱うことができる包括的理論が発展してきた。 我々は、上記の包括的理論を拡張し、対象分布の単一因数分解に対応しない条件分布に整合したソースからの個々のレベルデータの融合を可能にする。
  論文  参考訳（メタデータ） (2024-09-16T04:10:44Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• Measuring Statistical Dependencies via Maximum Norm and Characteristic Functions [0.0]
  本稿では, 連接関数と積対角特性関数の差の最大ノルムに基づく統計的依存度尺度を提案する。 提案手法は、2つの異なる次元のランダムベクトル間の任意の統計的依存を検出することができる。 シミュレーションデータと実データの両方を用いて実験を行う。
  論文  参考訳（メタデータ） (2022-08-16T20:24:31Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• A Unifying Framework for Some Directed Distances in Statistics [0.0]
  密度に基づく有向距離(特に発散距離)は統計学で広く使われている。 本稿では、密度ベースと分布関数ベースの分散アプローチの両方を網羅する一般的なフレームワークを提供する。 我々は、有望な相互情報の代替として、確率変数間の依存の新たな概念を導出する。
  論文  参考訳（メタデータ） (2022-03-02T04:24:13Z)
• Fluctuations, Bias, Variance & Ensemble of Learners: Exact Asymptotics for Convex Losses in High-Dimension [25.711297863946193]
  我々は、異なる、しかし相関のある特徴に基づいて訓練された一般化線形モデルの集合における揺らぎの研究の理論を開発する。 一般凸損失と高次元限界における正則化のための経験的リスク最小化器の結合分布の完全な記述を提供する。
  論文  参考訳（メタデータ） (2022-01-31T17:44:58Z)
• Differential privacy and robust statistics in high dimensions [49.50869296871643]
  高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。 本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
  論文  参考訳（メタデータ） (2021-11-12T06:36:40Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。