論文の概要: Communication-Constrained Private Decentralized Online Personalized Mean Estimation
- arxiv url: http://arxiv.org/abs/2511.04702v1
- Date: Sun, 02 Nov 2025 13:00:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-10 21:00:44.536412
- Title: Communication-Constrained Private Decentralized Online Personalized Mean Estimation
- Title（参考訳）: コミュニケーション制約付きプライベート分散オンラインパーソナライズされた平均推定
- Authors: Yauhen Yakimenka, Hsuan-Yin Lin, Eirik Rosnes, Jörg Kliewer,
- Abstract要約: プライバシー制約下でのコミュニケーション制約付き協調的パーソナライズされた平均推定の問題を考える。
コンセンサスに基づくアルゴリズムは、各エージェントのデータを保護するために、差分プライバシーの枠組みの下で研究される。
- 参考スコア（独自算出の注目度）: 16.272064082582233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of communication-constrained collaborative personalized mean estimation under a privacy constraint in an environment of several agents continuously receiving data according to arbitrary unknown agent-specific distributions. A consensus-based algorithm is studied under the framework of differential privacy in order to protect each agent's data. We give a theoretical convergence analysis of the proposed consensus-based algorithm for any bounded unknown distributions on the agents' data, showing that collaboration provides faster convergence than a fully local approach where agents do not share data, under an oracle decision rule and under some restrictions on the privacy level and the agents' connectivity, which illustrates the benefit of private collaboration in an online setting under a communication restriction on the agents. The theoretical faster-than-local convergence guarantee is backed up by several numerical results.
- Abstract（参考訳）: 任意の未知のエージェント固有の分布に応じて、複数のエージェントが継続的にデータを受信する環境において、プライバシ制約下でのコミュニケーション制約付き協調的パーソナライズされた平均推定の問題を考える。
コンセンサスに基づくアルゴリズムは、各エージェントのデータを保護するために、差分プライバシーの枠組みの下で研究される。
本稿では,エージェントデータ上の有界未知分布に対して提案したコンセンサスに基づくアルゴリズムの理論的収束解析を行い,エージェントがオラクル決定規則の下でデータを共有せず,プライバシレベルやエージェントの接続性にも制約がある完全局所的アプローチよりも高速なコンセンサスを提供することを示す。
局所収束保証の理論は、いくつかの数値的な結果によって裏付けられている。
関連論文リスト
- Differentially-Private Collaborative Online Personalized Mean Estimation [22.399703712241546]
プライバシー制約下での協調的パーソナライズされた平均推定の問題を考える。
2つのプライバシ機構と2つのデータ分散推定方式を提案する。
コラボレーションが完全に局所的なアプローチよりも早く収束することを示します。
論文 参考訳（メタデータ） (2024-11-11T16:14:56Z) - Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。
半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳（メタデータ） (2024-06-06T06:12:15Z) - Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
1ビット通信制約を伴う個別分布推定問題を考える。
1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。
これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
論文 参考訳（メタデータ） (2023-10-17T05:21:19Z) - Generalizing Differentially Private Decentralized Deep Learning with Multi-Agent Consensus [11.414398732656839]
本稿では,分散ディープラーニングに差分プライバシーを組み込んだフレームワークを提案する。
本稿では,このフレームワークから派生したアルゴリズムの収束保証を証明し,その実用性を示す。
論文 参考訳（メタデータ） (2023-06-24T07:46:00Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳（メタデータ） (2023-02-28T19:17:03Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Differentially Private Decentralized Optimization with Relay Communication [1.2695958417031445]
プライバシリーク頻度(PLF)は,アルゴリズムの通信とプライバシリークの関係を明らかにする指標である。
DP-RECAL は, 演算子分割法と中継通信機構を利用して, PLF の低減を図っている。
論文 参考訳（メタデータ） (2022-12-21T09:05:36Z)
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。