論文の概要: Federated Learning of Quantile Inference under Local Differential Privacy

• arxiv url: http://arxiv.org/abs/2509.21800v1
• Date: Fri, 26 Sep 2025 02:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.146351
• Title: Federated Learning of Quantile Inference under Local Differential Privacy
• Title（参考訳）: 局所微分プライバシー下における量子推論のフェデレーション学習
• Authors: Leheng Cai, Qirui Hu, Shuyuan Wu,
• Abstract要約: 局所微分プライバシー(LDP)下での量子推論の学習について検討する。 本稿では,局所勾配勾配(SGD)に基づく推定器を提案する。 我々は、推定器の正規性と機能中心極限定理を確立する。
• 参考スコア（独自算出の注目度）: 2.8462768598083823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we investigate federated learning for quantile inference under local differential privacy (LDP). We propose an estimator based on local stochastic gradient descent (SGD), whose local gradients are perturbed via a randomized mechanism with global parameters, making the procedure tolerant of communication and storage constraints without compromising statistical efficiency. Although the quantile loss and its corresponding gradient do not satisfy standard smoothness conditions typically assumed in existing literature, we establish asymptotic normality for our estimator as well as a functional central limit theorem. The proposed method accommodates data heterogeneity and allows each server to operate with an individual privacy budget. Furthermore, we construct confidence intervals for the target value through a self-normalization approach, thereby circumventing the need to estimate additional nuisance parameters. Extensive numerical experiments and real data application validate the theoretical guarantees of the proposed methodology.
• Abstract（参考訳）: 本稿では,局所微分プライバシー(LDP)の下での量子推論のためのフェデレーション学習について検討する。 本研究では,局所確率勾配勾配(SGD)に基づく推定器を提案し,局所勾配は大域パラメータのランダム化機構によって乱れ,通信や記憶の制約に耐性を持たせることができる。 量子的損失とその対応する勾配は、既存の文献で典型的に仮定される標準的な滑らかさ条件を満たさないが、推定器の漸近正規性と機能中心極限定理を確立する。 提案手法はデータの均一性を考慮し,各サーバが個別のプライバシ予算で運用できるようにする。 さらに,自己正規化手法を用いて目標値に対する信頼区間を構築し,新たなニュアンスパラメータを推定する必要性を回避する。 大規模数値実験と実データ応用により,提案手法の理論的保証が検証された。

関連論文リスト

• Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces [3.637162892228131]
  オラクル推定器の有限サンプルカバレッジ保証と高速収束率を提供する共形予測アルゴリズムを開発した。 不整合性の設定では、統計的効率を得るためにこれらの非漸近性保証を強制する。 ランダム応答オブジェクトを含むパーソナライズ・メディカルアプリケーションにおいて,本手法の実用性を実証する。
  論文  参考訳（メタデータ） (2025-07-21T15:54:13Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Bounds in Wasserstein Distance for Locally Stationary Processes [0.29771206318712146]
  本研究では,局所定常(LSP)データに適した条件付き確率分布推定器を提案する。 我々は、ワーッサーシュタイン計量の下で、NWに基づく条件付き確率推定器の収束率を厳格に設定する。 合成データセットの広範な数値シミュレーションを行い,実世界のデータを用いた実証検証を行った。
  論文  参考訳（メタデータ） (2024-12-04T15:51:22Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• 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)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• FedAgg: Adaptive Federated Learning with Aggregated Gradients [1.5653612447564105]
  我々はFedAggと呼ばれる適応型FEDerated Learningアルゴリズムを提案し、局所モデルパラメータと平均モデルパラメータのばらつきを緩和し、高速モデル収束率を得る。 IIDおよび非IIDデータセット下でのモデル性能の向上と収束速度の促進を目的として,本手法が既存のFL戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-28T08:07:28Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。