Fugu-MT 論文翻訳(概要): Locally Differentially Private Thresholding Bandits

論文の概要: Locally Differentially Private Thresholding Bandits

arxiv url: http://arxiv.org/abs/2507.23073v1
Date: Wed, 30 Jul 2025 20:08:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-01 17:19:08.633216
Title: Locally Differentially Private Thresholding Bandits
Title（参考訳）: 地域別私的保有帯域
Authors: Annalisa Barbara, Joseph Lazzaro, Ciara Pike-Burke,
Abstract要約: 本研究は,閾値帯域問題における局所的差分プライバシーの確保が与える影響について検討する。本研究では,ベルヌーイをベースとした微分プライベート機構を用いて,予め定義された閾値を超える報酬を期待する武器を識別する手法を提案する。
参考スコア（独自算出の注目度）: 3.8916312075738273
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This work investigates the impact of ensuring local differential privacy in the thresholding bandit problem. We consider both the fixed budget and fixed confidence settings. We propose methods that utilize private responses, obtained through a Bernoulli-based differentially private mechanism, to identify arms with expected rewards exceeding a predefined threshold. We show that this procedure provides strong privacy guarantees and derive theoretical performance bounds on the proposed algorithms. Additionally, we present general lower bounds that characterize the additional loss incurred by any differentially private mechanism, and show that the presented algorithms match these lower bounds up to poly-logarithmic factors. Our results provide valuable insights into privacy-preserving decision-making frameworks in bandit problems.
Abstract（参考訳）: 本研究は,閾値帯域問題における局所的差分プライバシーの確保が与える影響について検討する。固定予算と固定信頼設定の両方を考慮する。本研究では,ベルヌーイをベースとした微分プライベート機構を用いて,予め定義された閾値を超える報酬を期待する武器を識別する手法を提案する。提案手法は, 高いプライバシー保証を提供し, 提案アルゴリズムの理論的性能バウンダリを導出することを示す。さらに、任意の微分プライベートなメカニズムによって生じる余剰損失を特徴付ける一般的な下界を示し、提案アルゴリズムがこれらの下界を多対数因子に一致させることを示す。バンディット問題におけるプライバシ保護意思決定フレームワークに関する貴重な知見を提供する。

関連論文リスト

DP-NCB: Privacy Preserving Fair Bandits [7.443474354626665]
そこで我々は,DP-NCB(Disfferially Private Nash Confidence Bound)という新しいアルゴリズムフレームワークを紹介した。同時に$epsilon$-differentialのプライバシを保証し、既知の下位境界を対数的要素まで一致させて、オーダー最適化のNash後悔を実現する。われわれの結果は、プライバシー保護と公正の両方を兼ね備えた帯域幅アルゴリズムを設計するための原則的な基盤を提供する。
論文参考訳（メタデータ） (2025-08-05T18:34:00Z)
On the Price of Differential Privacy for Spectral Clustering over Stochastic Block Models [15.713997170792846]
ブロックモデル(SBM)におけるコミュニティ検出のためのプライバシー保護スペクトルクラスタリングについて検討する。具体的には、エッジディファレンシャルプライバシ(DP)に着目し、コミュニティリカバリのためのプライベートアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-05-09T06:34:56Z)
Improving the Variance of Differentially Private Randomized Experiments through Clustering [16.166525280886578]
差分的プライベートなメカニズムであるCluster-DPを提案する。より高品質なクラスタを選択することで,プライバシー保証を損なうことなく,分散ペナルティを低減できることを示す。
論文参考訳（メタデータ） (2023-08-02T05:51:57Z)
Adaptive Privacy Composition for Accuracy-first Mechanisms [55.53725113597539]
ノイズ低減機構はますます正確な答えを生み出す。アナリストは、公表された最も騒々しい、あるいは最も正確な回答のプライバシー費用のみを支払う。ポスト前のプライベートメカニズムがどのように構成されるかは、まだ研究されていない。我々は、分析者が微分プライベートとポストプライベートのメカニズムを適応的に切り替えることのできるプライバシーフィルタを開発した。
論文参考訳（メタデータ） (2023-06-24T00:33:34Z)
Robust and differentially private stochastic linear bandits [23.96322363134793]
差分プライバシー,ロバスト性,バッチ化観測などの追加要件の下で線形帯域問題について検討する。対数バッチクエリを用いたアーム除去アルゴリズムの差分プライベートおよびロバストな変形について述べる。
論文参考訳（メタデータ） (2023-04-23T20:17:03Z)
Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文参考訳（メタデータ） (2023-02-19T16:58:53Z)
Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文参考訳（メタデータ） (2022-08-12T06:52:55Z)
Brownian Noise Reduction: Maximizing Privacy Subject to Accuracy Constraints [53.01656650117495]
研究者と実践者の間には、プライバシとユーティリティのトレードオフの扱い方の違いがある。ブラウン機構は、まず擬ブラウン運動の最終点に対応する高分散のガウス雑音を加えることで機能する。我々は、古典的AboveThresholdアルゴリズムの一般化であるReduceedAboveThresholdでブラウン機構を補完する。
論文参考訳（メタデータ） (2022-06-15T01:43:37Z)
Privacy Amplification via Shuffled Check-Ins [2.3333090554192615]
シャッフルチェックインと呼ばれる分散計算のためのプロトコルについて検討する。信頼できるシャフラー以上の信頼の前提を必要とせずに、強力なプライバシー保証を実現する。シャッフルされたチェックインは、プライバシーの強化によって、厳格なプライバシー保証を実現する。
論文参考訳（メタデータ） (2022-06-07T09:55:15Z)
Debugging Differential Privacy: A Case Study for Privacy Auditing [60.87570714269048]
監査は、微分プライベートなスキームの欠陥を見つけるためにも利用できることを示す。このケーススタディでは、微分プライベートなディープラーニングアルゴリズムの最近のオープンソース実装を監査し、99.9999999999%の信頼を得て、この実装が要求される差分プライバシー保証を満たさないことを発見した。
論文参考訳（メタデータ） (2022-02-24T17:31:08Z)
Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-09-18T20:18:35Z)
Robustness Guarantees for Mode Estimation with an Application to Bandits [131.21717367564963]
平均ではなく報酬分布のモードを値とするマルチアームバンディットの理論を導入する。我々は,我々のアルゴリズムが逆雑音列による腕の摂動に頑健であることを示すシミュレーションで示す。
論文参考訳（メタデータ） (2020-03-05T21:29:27Z)
Differential Privacy at Risk: Bridging Randomness and Privacy Budget [5.393465689287103]
我々は、ノイズ分布によって引き起こされる明示的ランダム性や、データ生成によって引き起こされる暗黙的ランダム性など、ランダム性源の役割を分析する。プライバシ保存機構の確率的校正であるリスクのあるプライバシを提案する。コスト最適プライバシを用いたコンポジションは,従来の高度なコンポジションよりも強力なプライバシ保証を提供することを示す。
論文参考訳（メタデータ） (2020-03-02T15:44:14Z)

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。