論文の概要: Optimal Variance and Covariance Estimation under Differential Privacy in the Add-Remove Model and Beyond

• arxiv url: http://arxiv.org/abs/2509.04919v1
• Date: Fri, 05 Sep 2025 08:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.533481
• Title: Optimal Variance and Covariance Estimation under Differential Privacy in the Add-Remove Model and Beyond
• Title（参考訳）: 付加除去モデルにおける差分プライバシー下の最適変動と共分散推定
• Authors: Shokichi Takakura, Seng Pei Liew, Satoshi Hasegawa,
• Abstract要約: 我々は,emphB'ezier機構に基づく分散と共分散推定の効率的な機構を開発する。 提案手法は, 新たなミニマックス下界を確立することにより, 高民権体制において最適であることを示す。
• 参考スコア（独自算出の注目度）: 5.026439970933249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of estimating the variance and covariance of datasets under differential privacy in the add-remove model. While estimation in the swap model has been extensively studied in the literature, the add-remove model remains less explored and more challenging, as the dataset size must also be kept private. To address this issue, we develop efficient mechanisms for variance and covariance estimation based on the \emph{B\'{e}zier mechanism}, a novel moment-release framework that leverages Bernstein bases. We prove that our proposed mechanisms are minimax optimal in the high-privacy regime by establishing new minimax lower bounds. Moreover, beyond worst-case scenarios, we analyze instance-wise utility and show that the B\'{e}zier-based estimator consistently achieves better utility compared to alternative mechanisms. Finally, we demonstrate the effectiveness of the B\'{e}zier mechanism beyond variance and covariance estimation, showcasing its applicability to other statistical tasks.
• Abstract（参考訳）: 本稿では,Add-Removeモデルにおいて,差分プライバシー下でのデータセットの分散と共分散を推定する問題について検討する。 スワップモデルにおける推定は文献で広く研究されているが、データセットのサイズも非公開にしておく必要があるため、追加削除モデルは探索が小さく、より困難なままである。 この問題に対処するために、バーンスタイン基底を利用する新しいモーメントリリースフレームワークである \emph{B\'{e}zier mechanism} に基づく分散と共分散推定の効率的なメカニズムを開発する。 提案手法は, 新たなミニマックス下界を確立することにより, 高民権体制において最適であることを示す。 さらに、最悪のシナリオを超えて、インスタンスワイズユーティリティを分析し、B\'{e}zierベースの推定器が代替メカニズムよりも優れたユーティリティを一貫して達成していることを示す。 最後に、分散と共分散推定を超えたB\'{e}zier機構の有効性を実証し、他の統計問題への適用性を示す。

関連論文リスト

• EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
  我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。 標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
  論文  参考訳（メタデータ） (2025-02-10T17:11:20Z)
• Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
  離散モデル選択問題の連続緩和を利用したスケーラブルなアルゴリズムを提案する。 ベイズ非パラメトリックモデルとしてカウスカルプロセス条件密度推定器(CGP-CDE)を用いる。 この行列は、限界確率と非巡回正規化器を用いて最適化され、最大 A 後方因果グラフを与える。
  論文  参考訳（メタデータ） (2024-11-15T12:55:05Z)
• Minimal Variance Model Aggregation: A principled, non-intrusive, and versatile integration of black box models [0.2455468619225742]
  様々なモデルから予測を統合するデータ駆動型フレームワークであるMEVA(Minimal Empirical Variance Aggregation)を紹介する。 この非侵襲的モデルに依存しないアプローチは、貢献するモデルをブラックボックスとして扱い、多様な方法論からの出力を許容する。
  論文  参考訳（メタデータ） (2024-09-25T18:33:21Z)
• Mean estimation in the add-remove model of differential privacy [20.78625240235862]
  加算除去モデルに基づく一次元平均推定問題について検討する。 提案アルゴリズムは,実際に頻繁に使用されるアルゴリズムよりも,平均2乗誤差が2倍に向上することを示す。
  論文  参考訳（メタデータ） (2023-12-11T18:59:35Z)
• Statistical Estimation Under Distribution Shift: Wasserstein Perturbations and Minimax Theory [24.540342159350015]
  我々はWasserstein分布シフトに注目し、各データポイントがわずかに摂動する可能性がある。 データポイント間の独立あるいは協調的な関節シフトである摂動について検討する。 位置推定,線形回帰,非パラメトリック密度推定など,いくつかの重要な統計問題を解析する。
  論文  参考訳（メタデータ） (2023-08-03T16:19:40Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Data-Driven Sample Average Approximation with Covariate Information [0.0]
  我々は、コパラメトリックの同時観測とともに、最適化モデル内の不確実なパラメータの観測を行う際に、データ駆動意思決定のための最適化について検討する。 本稿では,機械学習予測モデルをプログラムサンプル平均近似(SAA)に組み込んだ3つのデータ駆動フレームワークについて検討する。
  論文  参考訳（メタデータ） (2022-07-27T14:45:04Z)
• The Risks of Invariant Risk Minimization [52.7137956951533]
  不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。 我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。 IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
  論文  参考訳（メタデータ） (2020-10-12T14:54:32Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。

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。