論文の概要: Differentially Private Wasserstein Barycenters
- arxiv url: http://arxiv.org/abs/2510.03021v1
- Date: Fri, 03 Oct 2025 14:02:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.413668
- Title: Differentially Private Wasserstein Barycenters
- Title（参考訳）: 独特なワッサースタイン・バリーセンター
- Authors: Anming Gu, Sasidhar Kunapuli, Mark Bun, Edward Chien, Kristjan Greenewald,
- Abstract要約: 我々は、ワッサースタインのバリセンタを微分プライバシー下で計算するための最初のアルゴリズムを提示する。
提案手法は,高い精度・プライバシトレードオフを有する高品質のプライベートバリセンタを生産する。
- 参考スコア（独自算出の注目度）: 9.025699764473819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Wasserstein barycenter is defined as the mean of a set of probability measures under the optimal transport metric, and has numerous applications spanning machine learning, statistics, and computer graphics. In practice these input measures are empirical distributions built from sensitive datasets, motivating a differentially private (DP) treatment. We present, to our knowledge, the first algorithms for computing Wasserstein barycenters under differential privacy. Empirically, on synthetic data, MNIST, and large-scale U.S. population datasets, our methods produce high-quality private barycenters with strong accuracy-privacy tradeoffs.
- Abstract（参考訳）: Wasserstein Barycenterは、最適なトランスポートメトリックに基づく一連の確率測度の平均として定義されており、機械学習、統計、コンピュータグラフィックスにまたがる多くの応用がある。
実際には、これらの入力測度は、センシティブなデータセットから構築された経験的分布であり、差分的プライベート(DP)処理を動機付けている。
われわれの知る限り、ワッサースタインのバリセンタを微分プライバシー下で計算するための最初のアルゴリズムを提示する。
経験的に、合成データ、MNIST、および大規模アメリカの人口データセットに基づいて、我々の手法は、高い精度とプライバシーのトレードオフを持つ高品質のプライベートバリセンタを生成する。
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) - Differentially Private Random Feature Model [47.35176457481132]
プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。
本手法は,プライバシを保護し,一般化誤差を導出する。
論文 参考訳（メタデータ） (2024-12-06T05:31:08Z) - Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。
提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
論文 参考訳（メタデータ） (2024-10-04T23:27:33Z) - Private Wasserstein Distance [6.015898117103069]
ワッサーシュタイン距離は、分散の観点からデータの分散を定量化するための鍵となる指標である。
本研究では、ワッサーシュタイン空間内の固有三角形の性質を探求し、新しい解であるトライアングルワッド(TriangleWad)を導いた。
論文 参考訳（メタデータ） (2024-04-10T06:58:58Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-11-07T10:02:55Z) - Differentially private multivariate medians [5.436813619675772]
差分的にプライベートな深度に基づく中央値に対する新しい有限サンプル性能保証法を開発した。
Cauchyの限界の下では、重み付けされた位置推定のコストがプライバシーのコストよりも高いことを示している。
論文 参考訳（メタデータ） (2022-10-12T17:56:04Z) - Private measures, random walks, and synthetic data [7.5764890276775665]
微分プライバシーは、情報理論のセキュリティ保証を提供する数学的概念である。
我々は、プライベートな合成データを効率的に構築できるデータセットからプライベートな尺度を開発する。
我々の構築における重要な要素は、独立確率変数と同様の連立分布を持つ新しい超規則ランダムウォークである。
論文 参考訳（メタデータ） (2022-04-20T00:06:52Z) - Differentially Private Sliced Wasserstein Distance [5.330240017302619]
差分プライバシ(DP)フレームワーク下での分散の分散を計算する観点を考察する。
Sliced Wasserstein Distance に焦点をあてて,DP の勾配型衛生法に代えて根本問題に取り組む。
論文 参考訳（メタデータ） (2021-07-05T08:06:02Z) - A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。
本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。
このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
論文 参考訳（メタデータ） (2020-06-16T17:47:48Z) - GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially
Private Generators [74.16405337436213]
我々は、GS-WGAN(Gradient-sanitized Wasserstein Generative Adrial Networks)を提案する。
GS-WGANは、厳格なプライバシー保証を備えた機密データの衛生的な形式での公開を可能にする。
このアプローチは、複数のメトリクスにわたる最先端のアプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2020-06-15T10:01:01Z)
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。