論文の概要: Near-Optimal Private Learning in Linear Contextual Bandits

• arxiv url: http://arxiv.org/abs/2502.13115v1
• Date: Tue, 18 Feb 2025 18:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:09:39.600407
• Title: Near-Optimal Private Learning in Linear Contextual Bandits
• Title（参考訳）: リニアコンテキスト帯域における準最適プライベートラーニング
• Authors: Fan Chen, Jiachun Li, Alexander Rakhlin, David Simchi-Levi,
• Abstract要約: 一般化線形文脈包帯におけるプライベートラーニングの問題点を解析する。 私たちの結果は、共同プライバシーが、私たちが考慮しているすべての設定において、ほぼ"無料"であることを示している。
• 参考スコア（独自算出の注目度）: 61.39697409886124
• License:
• Abstract: We analyze the problem of private learning in generalized linear contextual bandits. Our approach is based on a novel method of re-weighted regression, yielding an efficient algorithm with regret of order $\sqrt{T}+\frac{1}{\alpha}$ and $\sqrt{T}/\alpha$ in the joint and local model of $\alpha$-privacy, respectively. Further, we provide near-optimal private procedures that achieve dimension-independent rates in private linear models and linear contextual bandits. In particular, our results imply that joint privacy is almost "for free" in all the settings we consider, partially addressing the open problem posed by Azize and Basu (2024).
• Abstract（参考訳）: 一般化線形文脈包帯におけるプライベートラーニングの問題点を解析する。 我々のアプローチは、それぞれ$\sqrt{T}+\frac{1}{\alpha}$と$\sqrt{T}/\alpha$の結合モデルおよび局所モデルにおいて、それぞれ$\sqrt{T}/\alpha$を後悔する効率的なアルゴリズムを生成する新しい回帰法に基づいている。 さらに、プライベート線形モデルと線形文脈帯域の次元非依存率を達成するための準最適プライベートプロシージャを提供する。 特に、我々の結果は、AzizeとBasu(2024年)がもたらすオープンな問題に部分的に対処しながら、私たちが考慮しているすべての設定において、共同プライバシーはほぼ「無償」であることを示している。

関連論文リスト

• FLIPHAT: Joint Differential Privacy for High Dimensional Sparse Linear Bandits [8.908421753758475]
  高次元スパース線形帯域は、シーケンシャルな意思決定問題の効率的なモデルとして機能する。 データプライバシの懸念により、我々は、共同でプライベートな高次元の疎線形帯域について検討する。 FLIPHATは,プライバシパラメータの点で最適に後悔することを示す。
  論文  参考訳（メタデータ） (2024-05-22T22:19:12Z)
• On the Optimal Regret of Locally Private Linear Contextual Bandit [18.300225068036642]
  局所的なプライベートな文脈的帯域に対して,$tilde O(sqrtT)$ regret upper bound を達成可能であることを示す。 我々の解決策は、いくつかの新しいアルゴリズム的および分析的アイデアに依存している。
  論文  参考訳（メタデータ） (2024-04-15T02:00:24Z)
• Differentially Private High Dimensional Bandits [1.3597551064547502]
  差分プライベートなLASSO帯域幅アルゴリズムであるPrivateLASSOを提案する。 PrivateLASSOは2つのサブルーチンに基づいている。 (i) 疎いハードスレッディングベースのプライバシメカニズムと (ii) パラメータの$theta$のサポートを識別するためのエピソードのしきい値設定ルールである。
  論文  参考訳（メタデータ） (2024-02-06T06:10:46Z)
• The Challenge of Differentially Private Screening Rules [32.18582226044492]
  線形回帰とロジスティック回帰のための最初の微分プライベートスクリーニングルールを開発する。 そこで我々は,プライバシーを確保するために付加されるノイズの量によって,有用なプライベートスクリーニングルールを策定する作業の難しさを発見する。
  論文  参考訳（メタデータ） (2023-03-18T01:45:34Z)
• On Differentially Private Online Predictions [74.01773626153098]
  オンラインプロセスを扱うために,共同微分プライバシーのインタラクティブなバリエーションを導入する。 グループプライバシ、コンポジション、ポストプロセッシングの(適切なバリエーション)を満たすことを実証する。 次に、オンライン分類の基本設定において、インタラクティブな共同プライバシーのコストについて検討する。
  論文  参考訳（メタデータ） (2023-02-27T19:18:01Z)
• Double Doubly Robust Thompson Sampling for Generalized Linear Contextual Bandits [8.508198765617198]
  一般化線形報酬に$tildeO(sqrtkappa-1 phi T)$ regret over $T$ roundsを提案する。 また、確率的マージン条件下では、$O(kappa-1 phi log (NT) log T)$ regret bound for $N$ arms も提供する。
  論文  参考訳（メタデータ） (2022-09-15T00:20:38Z)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)
• Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling [49.43288037509783]
  ランダムシャッフルは、局所的ランダム化データの差分プライバシー保証を増幅する。 私たちの結果は、以前の作業よりも単純で、ほぼ同じ保証で差分プライバシーに拡張された新しいアプローチに基づいています。
  論文  参考訳（メタデータ） (2020-12-23T17:07:26Z)
• Nearly Dimension-Independent Sparse Linear Bandit over Small Action Spaces via Best Subset Selection [71.9765117768556]
  本研究では,高次元線形モデルの下での文脈的帯域問題について考察する。 この設定は、パーソナライズされたレコメンデーション、オンライン広告、パーソナライズされた医療など、不可欠な応用を見出す。 本稿では,最適部分集合選択法を用いて2重成長エポックを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-04T04:10:39Z)
• Locally Differentially Private (Contextual) Bandits Learning [55.63825598391525]
  本論文では,局所的差分性(LDP)バンディット学習について検討する。 我々は,DP保証を用いて,文脈自由な帯域幅学習問題を解くことのできる,シンプルなブラックボックス削減フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T04:02:00Z)

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。