論文の概要: Private Evolution Converges

• arxiv url: http://arxiv.org/abs/2506.08312v1
• Date: Tue, 10 Jun 2025 00:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.960201
• Title: Private Evolution Converges
• Title（参考訳）: プライベート・エボリューション・コンバージ
• Authors: Tomás González, Giulia Fanti, Aaditya Ramdas,
• Abstract要約: Private Evolution (PE) は、差分プライベート(DP)合成データ生成のためのトレーニング不要な方法である。 我々は,PEの実践的振る舞いを説明するための新たな理論的枠組みを開発し,その収束に十分な条件を同定する。 PE は 1-Wasserstein 距離が $tildeO(d(nepsilon)-1/d)$ であるような$(epsilon, delta)$-DP 合成データセットを生成する。
• 参考スコア（独自算出の注目度）: 35.2826599294184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Private Evolution (PE) is a promising training-free method for differentially private (DP) synthetic data generation. While it achieves strong performance in some domains (e.g., images and text), its behavior in others (e.g., tabular data) is less consistent. To date, the only theoretical analysis of the convergence of PE depends on unrealistic assumptions about both the algorithm's behavior and the structure of the sensitive dataset. In this work, we develop a new theoretical framework to explain PE's practical behavior and identify sufficient conditions for its convergence. For $d$-dimensional sensitive datasets with $n$ data points from a bounded domain, we prove that PE produces an $(\epsilon, \delta)$-DP synthetic dataset with expected 1-Wasserstein distance of order $\tilde{O}(d(n\epsilon)^{-1/d})$ from the original, establishing worst-case convergence of the algorithm as $n \to \infty$. Our analysis extends to general Banach spaces as well. We also connect PE to the Private Signed Measure Mechanism, a method for DP synthetic data generation that has thus far not seen much practical adoption. We demonstrate the practical relevance of our theoretical findings in simulations.
• Abstract（参考訳）: Private Evolution (PE)は、差分プライベート(DP)合成データ生成のための有望なトレーニング不要な手法である。 一部のドメイン(画像やテキストなど)では高いパフォーマンスを達成するが、他のドメイン(例えば、表データ)では、その振る舞いは一貫性が低い。 現在まで、PEの収束に関する唯一の理論的分析は、アルゴリズムの挙動と感度データセットの構造に関する非現実的な仮定に依存している。 本研究では,PEの実践的振る舞いを説明するための新たな理論的枠組みを開発し,その収束に十分な条件を同定する。 有界領域から$n$のデータポイントを持つ$d$次元のセンシティブなデータセットに対して、PEは1-ワッサーシュタイン距離が予想される$(\epsilon, \delta)$-DP合成データセットを、元から$\tilde{O}(d(n\epsilon)^{-1/d})$で生成し、アルゴリズムの最悪のケース収束を$n \to \infty$とする。 我々の解析は一般的なバナッハ空間にも及んでいる。 また,我々はPEをDP合成データ生成手法であるPrivate Signed Measure Mechanismに接続する。 シミュレーションにおける理論的な知見の実践的妥当性を実証する。

関連論文リスト

• Distributed Learning over Arbitrary Topology: Linear Speed-Up with Polynomial Transient Time [3.1789549088190414]
  ピアツーピア通信によるローカルコスト関数の和を協調的に行う分散学習問題について検討する。 本稿では、一般的な通信グラフから抽出した2本の木を用いて、モデルパラメータとパラメータの両方を分散するSpanning Tree Push-Pull(STPP)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T13:11:44Z)
• Efficiently Computing Similarities to Private Datasets [19.99000806126529]
  微分プライベートモデルトレーニングの多くの方法は、クエリポイント(公開データや合成データなど)とプライベートデータとの類似性を計算することに依存している。 類似関数$f$と大きな高次元プライベートデータセット$XサブセットmathbbRd$を与えられた場合、任意のクエリ$y$に対して、X f(x,y)$のsum_xを近似した差分プライベート(DP)データ構造を出力する。
  論文  参考訳（メタデータ） (2024-03-13T19:19:19Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• Differentially Private Topological Data Analysis [6.983833229285599]
  微分プライベート(DP)トポロジカルデータ解析(TDA)を初めて試みる。 一般的に用いられるvCech複合体は、サンプルサイズがn$増加するにつれて低下しない感度を持つことを示す。 実用関数が$L1$-DTM持続図のボトルネック距離で定義される指数関数機構を用いる。
  論文  参考訳（メタデータ） (2023-05-05T15:15:04Z)
• Pessimism in the Face of Confounders: Provably Efficient Offline Reinforcement Learning in Partially Observable Markov Decision Processes [99.26864533035454]
  半可観測マルコフ決定過程におけるオフライン強化学習(RL)について検討する。 本稿では,UnderlineProxy変数 underlinePessimistic UnderlinePolicy UnderlineOptimization (textttP3O)アルゴリズムを提案する。 textttP3Oは、確立されたデータセットを持つPOMDPのための証明可能な最初のオフラインRLアルゴリズムである。
  論文  参考訳（メタデータ） (2022-05-26T19:13:55Z)
• Outlier-Robust Optimal Transport: Duality, Structure, and Statistical Applications [25.410110072480187]
  ワッサーシュタイン距離は、考慮された分布における外れ値に敏感である。 本稿では, 汚染された各分布から, $varepsilon$outlier mass を除去できる新しいoutlier-robust Wasserstein distance $mathsfW_pvarepsilon$を提案する。
  論文  参考訳（メタデータ） (2021-11-02T04:05:45Z)
• Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
  我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
  論文  参考訳（メタデータ） (2021-03-22T05:19:40Z)

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。