論文の概要: Black-Box Differentially Private Nonparametric Confidence Intervals Under Minimal Assumptions

• arxiv url: http://arxiv.org/abs/2511.01303v1
• Date: Mon, 03 Nov 2025 07:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.160582
• Title: Black-Box Differentially Private Nonparametric Confidence Intervals Under Minimal Assumptions
• Title（参考訳）: ブラックボックスによる個人的非パラメトリック信頼区間の最小推定
• Authors: Tomer Shoham, Moshe Shenfeld, Noa Velner-Harris, Katrina Ligett,
• Abstract要約: 任意の量の偏微分プライベートな推定器をブラックボックスとして利用する,単純で汎用的なフレームワークを導入する。 提案手法は繰り返しデータをサブサンプル化し,各サブサンプルにプライベート推定器を適用し,その結果の実証CDFを信頼区間に後処理する。 我々は,この手法が(非一般の)最先端アルゴリズムとよく比較できるという実証的証拠を提供する。
• 参考スコア（独自算出の注目度）: 3.0848269397267014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a simple, general framework that takes any differentially private estimator of any arbitrary quantity as a black box, and from it constructs a differentially private nonparametric confidence interval of that quantity. Our approach repeatedly subsamples the data, applies the private estimator to each subsample, and then post-processes the resulting empirical CDF to a confidence interval. Our analysis uses the randomness from the subsampling to achieve privacy amplification. Under mild assumptions, the empirical CDF we obtain approaches the CDF of the private statistic as the sample size grows. We use this to show that the confidence intervals we estimate are asymptotically valid, tight, and equivalent to their non-private counterparts. We provide empirical evidence that our method performs well compared with the (less-general) state-of-the-art algorithms.
• Abstract（参考訳）: 我々は任意の量の偏微分プライベートな推定器をブラックボックスとして取り出す単純な一般フレームワークを導入し、そこからその量の偏微分プライベートな非パラメトリックな信頼区間を構築する。 提案手法は繰り返しデータをサブサンプル化し,各サブサンプルにプライベート推定器を適用し,その結果の実証CDFを信頼区間に後処理する。 我々の分析では、サブサンプリングのランダム性を利用してプライバシーを増幅する。 軽度の仮定では、サンプルサイズが大きくなるにつれて、実験的なCDFがプライベート統計のCDFに近づく。 我々はこれを、我々が見積もる信頼区間が漸近的に有効であり、密で、私的でないものと同等であることを示すために使用します。 我々は,この手法が(非一般の)最先端アルゴリズムとよく比較できるという実証的証拠を提供する。

関連論文リスト

• Differentially private ratio statistics [0.0]
  単純なアルゴリズムでさえ、プライバシー、サンプル精度、バイアスに関する優れた特性を提供できることを示す。 我々のアプローチは、差分プライバシーの文献のギャップを埋め、プライベート機械学習パイプラインにおける比率推定の実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-26T04:28:27Z)
• 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)
• Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
  本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。 各サンプルの予測中にその信頼性を推定する。 実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
  論文  参考訳（メタデータ） (2024-11-02T14:29:02Z)
• Differentially Private Confidence Intervals for Proportions under Stratified Random Sampling [14.066813980992132]
  データプライバシの意識の高まりに伴い、プライベートバージョンの信頼区間の開発が注目されている。 最近の研究は個人的信頼区間で行われているが、個人的信頼区間では厳密な方法論が研究されていない。 階層化されたランダムサンプリングの下で,信頼区間を構成するための3つの差分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） (2023-01-19T21:25:41Z)
• Nonparametric extensions of randomized response for private confidence sets [51.75485869914048]
  本研究は,局所的差分プライバシー(LDP)の制約の下で,集団平均の非パラメトリック,非漸近的統計的推測を行う手法を導出する。 民営化データへのアクセスのみを与えられた場合、$mustar$に対して信頼区間(CI)と時間一様信頼シーケンス(CS)を提示する。
  論文  参考訳（メタデータ） (2022-02-17T16:04:49Z)
• Non-parametric Differentially Private Confidence Intervals for the Median [3.205141100055992]
  本稿では,中央値に対する有意な個人的信頼区間を計算するためのいくつかの戦略を提案し,評価する。 また、サンプリングからのエラーと出力の保護からのエラーという2つの不確実性源に対処することが、この不確実性を逐次的に組み込んだ単純なアプローチよりも望ましいことを示す。
  論文  参考訳（メタデータ） (2021-06-18T19:45:37Z)
• Differentially private inference via noisy optimization [3.015622397986615]
  本研究では, 雑音勾配降下法や雑音の強いニュートン法と併用して, 最適な個人推定値が得られることを示す。 シミュレーションにおける小サンプル実験性能の向上につながるバイアス補正の有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-19T19:55:55Z)

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。