論文の概要: Differentially Private Conformal Prediction via Quantile Binary Search
- arxiv url: http://arxiv.org/abs/2507.12497v1
- Date: Tue, 15 Jul 2025 22:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.212471
- Title: Differentially Private Conformal Prediction via Quantile Binary Search
- Title（参考訳）: 量子二項探索による微分プライベートな等角予測
- Authors: Ogonnaya M. Romanus, Roberto Molinari,
- Abstract要約: 我々は、P-COQS(Quantile Search)を介してプライベート・コンフォーマルティ(Private Conformity)と呼ぶ一般のDP手法を提案する。
提案手法は,CP のキャリブレーションフェーズにおけるDP量子化の計算に,既存のランダム化二値探索アルゴリズムを適用し,それに伴う予測セットのプライバシを保証する。
我々は,従来の代替手段と比較して,プライバシーノイズ,サンプルサイズ,重要度がアプローチの性能に与える影響について広範な実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most Differentially Private (DP) approaches focus on limiting privacy leakage from learners based on the data that they are trained on, there are fewer approaches that consider leakage when procedures involve a calibration dataset which is common in uncertainty quantification methods such as Conformal Prediction (CP). Since there is a limited amount of approaches in this direction, in this work we deliver a general DP approach for CP that we call Private Conformity via Quantile Search (P-COQS). The proposed approach adapts an existing randomized binary search algorithm for computing DP quantiles in the calibration phase of CP thereby guaranteeing privacy of the consequent prediction sets. This however comes at a price of slightly under-covering with respect to the desired $(1 - \alpha)$-level when using finite-sample calibration sets (although broad empirical results show that the P-COQS generally targets the required level in the considered cases). Confirming properties of the adapted algorithm and quantifying the approximate coverage guarantees of the consequent CP, we conduct extensive experiments to examine the effects of privacy noise, sample size and significance level on the performance of our approach compared to existing alternatives. In addition, we empirically evaluate our approach on several benchmark datasets, including CIFAR-10, ImageNet and CoronaHack. Our results suggest that the proposed method is robust to privacy noise and performs favorably with respect to the current DP alternative in terms of empirical coverage, efficiency, and informativeness. Specifically, the results indicate that P-COQS produces smaller conformal prediction sets while simultaneously targeting the desired coverage and privacy guarantees in all these experimental settings.
- Abstract（参考訳）: 多くの差分的プライベート(DP)アプローチは、訓練されたデータに基づいて学習者のプライバシー漏洩を制限することに重点を置いているが、コンフォーマル予測(CP)のような不確実な定量化手法に共通するキャリブレーションデータセットを含む場合、リークを考慮するアプローチは少ない。
この方向へのアプローチは限られているため、本研究では、P-COQS(Quantile Search)を介してPrivate Conformityと呼ぶCPに対して、一般のDPアプローチを提供する。
提案手法は,CP のキャリブレーションフェーズにおけるDP量子化の計算に,既存のランダム化二値探索アルゴリズムを適用し,それに伴う予測セットのプライバシを保証する。
しかし、これは有限サンプルキャリブレーション集合を使用する場合、所望の$(1 - \alpha)$-レベルに対してわずかに過小評価される(ただし、広く経験的な結果は、P-COQSは一般的に考慮された場合の要求レベルをターゲットにしていることを示している)。
適応アルゴリズムの特性を検証し, CPのおよそのカバレッジ保証を定量化し, 既存手法と比較して, プライバシノイズ, サンプルサイズ, 重要度が提案手法の性能に及ぼす影響について検討する。
さらに、CIFAR-10、ImageNet、CoronaHackなど、いくつかのベンチマークデータセットに対するアプローチを実証的に評価した。
提案手法は, プライバシー騒音に対して頑健であり, 経験的カバレッジ, 効率, 情報性の観点から, 現在のDP代替案に対して良好に機能することが示唆された。
具体的には、P-COQSはより小さなコンフォメーション予測セットを生成すると同時に、これらの実験的な設定において、望ましいカバレッジとプライバシ保証を同時にターゲットすることを示す。
関連論文リスト
- Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。
我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
論文 参考訳（メタデータ） (2025-07-13T15:29:14Z) - Conformal Information Pursuit for Interactively Guiding Large Language Models [64.39770942422288]
本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。
そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。
本稿では,コンフォーマル情報探索法(C-IP)を提案する。
論文 参考訳（メタデータ） (2025-07-04T03:55:39Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - CURATE: Scaling-up Differentially Private Causal Graph Discovery [8.471466670802817]
因果グラフ発見(CGD)におけるユーザのプライバシを確保するために、差分プライバシー(DP)が採用されている。
CURATEは、適応的なプライバシー予算を持つDP-CGDフレームワークである。
CURATEは従来のDP-CGDアルゴリズムに比べてプライバシー保護の少ない高効率を実現していることを示す。
論文 参考訳（メタデータ） (2024-09-27T18:00:38Z) - Enhancing Trade-offs in Privacy, Utility, and Computational Efficiency through MUltistage Sampling Technique (MUST) [3.0939420223851446]
プライバシ・アンプリフィケーション(PA)のためのサブサンプリング手法のクラスを提案する。
本研究は2段階MUST法におけるPA効果と実用性について包括的に解析する。
MUSTの繰り返し適用に関するプライバシー損失構成分析を行う。
論文 参考訳（メタデータ） (2023-12-20T19:38:29Z) - Adaptive Differentially Quantized Subspace Perturbation (ADQSP): A Unified Framework for Privacy-Preserving Distributed Average Consensus [6.364764301218972]
本稿では適応微分量子化部分空間(ADQSP)という一般手法を提案する。
本研究では,単一の量子化パラメータを変化させることで,提案手法がSMPC型の性能とDP型性能に異なることを示す。
この結果から,従来の分散信号処理ツールを暗号保証に活用する可能性が示唆された。
論文 参考訳（メタデータ） (2023-12-13T07:52:16Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Non-parametric Differentially Private Confidence Intervals for the
Median [3.205141100055992]
本稿では,中央値に対する有意な個人的信頼区間を計算するためのいくつかの戦略を提案し,評価する。
また、サンプリングからのエラーと出力の保護からのエラーという2つの不確実性源に対処することが、この不確実性を逐次的に組み込んだ単純なアプローチよりも望ましいことを示す。
論文 参考訳（メタデータ） (2021-06-18T19:45:37Z) - Gaussian Processes with Differential Privacy [3.934224774675743]
我々は、差分プライバシー(DP)を介して、ガウス過程(GP)に強力なプライバシー保護を加える。
我々は、スパースGP手法を用いて、既知の誘導点に関するプライベートな変分近似を公開することによってこれを達成した。
我々の実験は、十分な量のデータがあれば、強力なプライバシー保護下で正確なモデルを生成することができることを示した。
論文 参考訳（メタデータ） (2021-06-01T13:23:16Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳（メタデータ） (2021-02-11T18:59:11Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z)
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。