論文の概要: Privately Estimating Black-Box Statistics

• arxiv url: http://arxiv.org/abs/2510.00322v1
• Date: Tue, 30 Sep 2025 22:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.278219
• Title: Privately Estimating Black-Box Statistics
• Title（参考訳）: プライベートに見積もるブラックボックス統計
• Authors: Günter F. Steinke, Thomas Steinke,
• Abstract要約: 任意のブラックボックス関数に適用可能な微分プライベートな手法を模索する。 このような技法はいくつか存在するが、すべてデータの使用において非効率であるか、指数関数的に多くの入力で関数を評価する必要がある。 統計的効率(データに必要な量)とオラクル効率(評価数)のトレードオフを行うスキームを提案する。
• 参考スコア（独自算出の注目度）: 7.621046610591836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard techniques for differentially private estimation, such as Laplace or Gaussian noise addition, require guaranteed bounds on the sensitivity of the estimator in question. But such sensitivity bounds are often large or simply unknown. Thus we seek differentially private methods that can be applied to arbitrary black-box functions. A handful of such techniques exist, but all are either inefficient in their use of data or require evaluating the function on exponentially many inputs. In this work we present a scheme that trades off between statistical efficiency (i.e., how much data is needed) and oracle efficiency (i.e., the number of evaluations). We also present lower bounds showing the near-optimality of our scheme.
• Abstract（参考訳）: ラプラス (Laplace) やガウス雑音付加 (Gaussian noise addition) のような微分プライベートな推定のための標準的な手法は、問題となる推定器の感度に保証された境界を必要とする。 しかし、そのような感度境界はしばしば大きいか単に未知である。 したがって、任意のブラックボックス関数に適用可能な微分プライベートな方法を求める。 このような技法はいくつか存在するが、すべてデータの使用において非効率であるか、指数関数的に多くの入力で関数を評価する必要がある。 本研究では,統計効率(データに必要な量)とオラクル効率(評価数)をトレードオフする手法を提案する。 また,提案手法の最適性を示す下限も提示する。

関連論文リスト

• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Simplifying debiased inference via automatic differentiation and probabilistic programming [1.0152838128195467]
  「Dimple」は、興味のパラメータを表す入力コンピュータコードとして、効率的な推定器を出力する。 概念実証Pythonの実装を提供し、パラメータ仕様から数行のコードで効率的に推定できる方法の例を紹介します。
  論文  参考訳（メタデータ） (2024-05-14T14:56:54Z)
• Insufficient Statistics Perturbation: Stable Estimators for Private Least Squares [38.478776450327125]
  通常の最小二乗に対するサンプルと時間効率の微分プライベートアルゴリズムを提案する。 私たちのほぼ最適精度は、条件番号または指数時間を持つデータセットに対して保持します。
  論文  参考訳（メタデータ） (2024-04-23T18:00:38Z)
• Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
  我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。 我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
  論文  参考訳（メタデータ） (2023-11-02T05:01:45Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
  多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。 我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
  論文  参考訳（メタデータ） (2021-06-15T06:59:53Z)
• Bayesian Optimization with Missing Inputs [53.476096769837724]
  我々は、よく知られたアッパー信頼境界(UCB)獲得関数に基づく新たな獲得関数を開発する。 我々は,本手法の有用性を示すために,合成アプリケーションと実世界のアプリケーションの両方について包括的な実験を行った。
  論文  参考訳（メタデータ） (2020-06-19T03:56:27Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。