論文の概要: Private Selection with Heterogeneous Sensitivities

• arxiv url: http://arxiv.org/abs/2501.05309v1
• Date: Thu, 09 Jan 2025 15:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:59:26.302190
• Title: Private Selection with Heterogeneous Sensitivities
• Title（参考訳）: 不均一感を伴う私的選択
• Authors: Daniela Antonova, Allegra Laro, Audra McMillan, Lorenz Wolf,
• Abstract要約: 微分プライベート(DP)選択は、有限候補プールからハイスコア候補を選択することを含む。 この問題は、モデル選択、仮説テスト、および多くのDPアルゴリズムを含む様々な文脈で自然に発生する。 これを解決するために、GEM(Generalized Exponential Mechanism)のようなアルゴリズムは、候補感度の可変性を利用する。
• 参考スコア（独自算出の注目度）: 2.0936724675062406
• License:
• Abstract: Differentially private (DP) selection involves choosing a high-scoring candidate from a finite candidate pool, where each score depends on a sensitive dataset. This problem arises naturally in a variety of contexts including model selection, hypothesis testing, and within many DP algorithms. Classical methods, such as Report Noisy Max (RNM), assume all candidates' scores are equally sensitive to changes in a single individual's data, but this often isn't the case. To address this, algorithms like the Generalised Exponential Mechanism (GEM) leverage variability in candidate sensitivities. However, we observe that while these algorithms can outperform RNM in some situations, they may underperform in others - they can even perform worse than random selection. In this work, we explore how the distribution of scores and sensitivities impacts DP selection mechanisms. In all settings we study, we find that there exists a mechanism that utilises heterogeneity in the candidate sensitivities that outperforms standard mechanisms like RNM. However, no single mechanism uniformly outperforms RNM. We propose using the correlation between the scores and sensitivities as the basis for deciding which DP selection mechanism to use. Further, we design a slight variant of GEM, modified GEM that generally performs well whenever GEM performs poorly. Relying on the correlation heuristic we propose combined GEM, which adaptively chooses between GEM and modified GEM and outperforms both in polarised settings.
• Abstract（参考訳）: 差分プライベート(DP)選択は、各スコアがセンシティブなデータセットに依存する有限候補プールからハイスコア候補を選択することを含む。 この問題は、モデル選択、仮説テスト、および多くのDPアルゴリズムを含む様々な文脈で自然に発生する。 Report Noisy Max (RNM)のような古典的な手法では、すべての候補者のスコアは個々の個人のデータの変化に等しく敏感であると仮定するが、そうではないことが多い。 これを解決するために、GEM(Generalized Exponential Mechanism)のようなアルゴリズムは、候補感度の可変性を利用する。 しかし、これらのアルゴリズムはRNMより優れている場合もあるが、他の場合では性能が劣っている場合もあり、ランダムな選択よりも悪い場合さえある。 本研究では,点数分布と感性分布がDP選択機構に与える影響について検討する。 本研究では, RNM などの標準メカニズムより優れた候補感度の均一性を利用する機構が存在することを明らかにした。 しかし、一つの機構がRNMを均一に上回ることはない。 そこで本研究では,DP選択の方法を決定する基盤として,スコアと感度の相関性を提案する。 さらに,GEMの動作が不十分な場合によく機能する改良型GEMを設計する。 相関ヒューリスティックに基づいて、GEMと修正GEMを適応的に選択し、両方の偏極設定で性能を向上するGEMの組み合わせを提案する。

関連論文リスト

• Robust Gaussian Processes via Relevance Pursuit [17.39376866275623]
  本稿では,データポイント固有ノイズレベルを推定することにより,スパースアウトレーヤに対するロバスト性を実現するGPモデルを提案する。 我々は,データポイント固有ノイズ分散において,関連する対数限界確率が強く抑制されるようなパラメータ化が可能であることを,驚くべきことに示している。
  論文  参考訳（メタデータ） (2024-10-31T17:59:56Z)
• Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
  本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。 合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:32:20Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Q(D)O-ES: Population-based Quality (Diversity) Optimisation for Post Hoc Ensemble Selection in AutoML [5.089078998562186]
  我々は,2つの新しい集団型アンサンブル選択手法,QO-ESとQDO-ESを導入し,それらをグリーディアンサンブル選択(GES)と比較した。 QO-ESは予測性能のみを最適化する一方、QDO-ESは集団内のアンサンブルの多様性も考慮し、品質の多様性の最適化のアイデアに基づいた最適化の間、優れたアンサンブルの多様なセットを維持している。 以上の結果から,ポストホックアンサンブルには多様性が有用であるだけでなく,過度に適合するリスクも増大することが示唆された。
  論文  参考訳（メタデータ） (2023-07-17T10:02:01Z)
• A GA-like Dynamic Probability Method With Mutual Information for Feature Selection [1.290382979353427]
  相互情報を用いたGADP(GA-like dynamic probability)手法を提案する。 各遺伝子の確率は独立であるため、GADPの染色体変異は従来のGAよりも顕著である。 提案手法の優位性を検証するため,15個のデータセット上で複数の条件下で評価を行った。
  論文  参考訳（メタデータ） (2022-10-21T13:30:01Z)
• Coefficient Mutation in the Gene-pool Optimal Mixing Evolutionary Algorithm for Symbolic Regression [0.0]
  GP-GOMEAはシンボリック回帰のアルゴリズムである。 GP-GOMEA に係数を最適化する簡単な手法が組み込まれていることを示す。 係数変異は、基礎となる方程式をかなりの量で再発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-04-26T08:58:47Z)
• Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
  本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
  論文  参考訳（メタデータ） (2022-04-11T01:08:26Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• Gaussian Process Latent Class Choice Models [7.992550355579791]
  離散選択モデル(DCM)における確率的機械学習の非パラメトリッククラスを提案する。 提案モデルでは,GPを用いた行動同質クラスタ(ラテントクラス)に確率的に個人を割り当てる。 モデルは2つの異なるモード選択アプリケーションでテストされ、異なるLCCMベンチマークと比較される。
  論文  参考訳（メタデータ） (2021-01-28T19:56:42Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)

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。