Fugu-MT 論文翻訳(概要): Binned Group Algebra Factorization for Differentially Private Continual Counting

論文の概要: Binned Group Algebra Factorization for Differentially Private Continual Counting

arxiv url: http://arxiv.org/abs/2504.04398v1
Date: Sun, 06 Apr 2025 07:55:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-08 14:09:14.978716
Title: Binned Group Algebra Factorization for Differentially Private Continual Counting
Title（参考訳）: 個人差分連続計数のための結合群代数因子化
Authors: Monika Henzinger, Nikita P. Kalinin, Jalaj Upadhyay,
Abstract要約: 連続観察下での差分プライベートカウントのためのメモリ効率行列係数化について検討した。我々は、アンダーソンとパッホ(2024年)の双対技法を利用できる群代数分解の新たな構造特性を示す。我々の研究は、大規模私的学習システムにおける分解精度の理論的改善と実践的効率のギャップを埋めるものである。
参考スコア（独自算出の注目度）: 8.173108278222156
License:
Abstract: We study memory-efficient matrix factorization for differentially private counting under continual observation. While recent work by Henzinger and Upadhyay 2024 introduced a factorization method with reduced error based on group algebra, its practicality in streaming settings remains limited by computational constraints. We present new structural properties of the group algebra factorization, enabling the use of a binning technique from Andersson and Pagh (2024). By grouping similar values in rows, the binning method reduces memory usage and running time to $\tilde O(\sqrt{n})$, where $n$ is the length of the input stream, while maintaining a low error. Our work bridges the gap between theoretical improvements in factorization accuracy and practical efficiency in large-scale private learning systems.
Abstract（参考訳）: 連続観察下での差分プライベートカウントのためのメモリ効率行列係数化について検討した。 Henzinger と Upadhyay 2024 の最近の研究は、群代数に基づく誤差を低減した分解法を導入しているが、ストリーミング設定の実用性は計算上の制約によって制限されている。群代数分解の新たな構造特性を提示し、アンダーソン・アンド・パッホ(2024年)の双対法を応用した。同じような値を行にグループ化することで、binningメソッドはメモリ使用量と実行時間を$\tilde O(\sqrt{n})$に短縮する。我々の研究は、大規模私的学習システムにおける分解精度の理論的改善と実践的効率のギャップを埋めるものである。

関連論文リスト

Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method [53.170053108447455]
アンサンブル学習(英: Ensemble learning)は、弱い学習者を利用して強力な学習者を生み出す方法である。我々は、マージンの概念を活かした滑らかで凸な目的関数を設計し、強力な学習者がより差別的になるようにした。そして、我々のアルゴリズムを、多数のデータセットの10倍の大きさのランダムな森林や他の古典的な手法と比較する。
論文参考訳（メタデータ） (2024-08-06T03:42:38Z)
Obtaining Explainable Classification Models using Distributionally Robust Optimization [12.511155426574563]
特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
論文参考訳（メタデータ） (2023-11-03T15:45:34Z)
Oracle Efficient Algorithms for Groupwise Regret [7.840453701379554]
睡眠専門家によるBlum & Lykouris(Blum & Lykouris)の簡易な修正は、外的後悔不在集団の考慮を減らし、よく理解された問題に効果的に還元できることを示す。グループ間で一様に比較すると,従来のオンライン線形回帰アルゴリズムに比べ誤差が大幅に改善され,グループ的に反省する保証がないことがわかった。
論文参考訳（メタデータ） (2023-10-07T02:17:22Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Computationally Budgeted Continual Learning: What Does Matter? [128.0827987414154]
CL (Continuous Learning) は、新しいデータに適応しながら、以前の知識を保存し、分布の異なる入力データのストリーム上でモデルを逐次訓練することを目的としている。現在のCL文献では、以前のデータへのアクセス制限に焦点が当てられているが、トレーニングの計算予算に制約は課されていない。本稿では,この問題を大規模ベンチマークで再検討し,計算制約条件下での従来のCL手法の性能解析を行う。
論文参考訳（メタデータ） (2023-03-20T14:50:27Z)
Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
論文参考訳（メタデータ） (2023-01-05T11:17:55Z)
Efficient and Near-Optimal Smoothed Online Learning for Generalized Linear Functions [28.30744223973527]
我々は,K-wise線形分類において,統計学的に最適なログ(T/sigma)の後悔を初めて楽しむ計算効率のよいアルゴリズムを提案する。一般化線形分類器によって誘導される不一致領域の幾何学の新たな特徴付けを開発する。
論文参考訳（メタデータ） (2022-05-25T21:31:36Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
Batch Value-function Approximation with Only Realizability [17.692408242465763]
バッチ強化学習(RL):探索データセットからQstar$を学習する。我々のアルゴリズムであるBVFTは、トーナメントの手順を通じて硬さ予想(探索データというより強い概念の下では)を破る。また、BVFTが他の拡張と開問題の間のモデル選択にどのように適用できるかについても論じる。
論文参考訳（メタデータ） (2020-08-11T20:09:37Z)
Supervised Quantile Normalization for Low-rank Matrix Approximation [50.445371939523305]
我々は、$X$ の値と $UV$ の値を行ワイズで操作できる量子正規化演算子のパラメータを学習し、$X$ の低ランク表現の質を改善する。本稿では,これらの手法が合成およびゲノムデータセットに適用可能であることを実証する。
論文参考訳（メタデータ） (2020-02-08T21:06:02Z)

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。