論文の概要: Differentially Private Inference for Longitudinal Linear Regression

• arxiv url: http://arxiv.org/abs/2601.10626v1
• Date: Thu, 15 Jan 2026 17:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.2489
• Title: Differentially Private Inference for Longitudinal Linear Regression
• Title（参考訳）: 縦リニア回帰に対する差分プライベート推論
• Authors: Getoar Sopa, Marco Avella Medina, Cynthia Rush,
• Abstract要約: ユーザレベルDP下での縦線形回帰における推定と推定のための包括的フレームワークを開発する。 推測のために, 自動ヘテロスケダスティック性および自己相関性を持つ民生推定器を開発した。 これらの結果は,ユーザレベルのDP推定と推測を行うための最初の統一フレームワークを提供する。
• 参考スコア（独自算出の注目度）: 9.16331221881594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential Privacy (DP) provides a rigorous framework for releasing statistics while protecting individual information present in a dataset. Although substantial progress has been made on differentially private linear regression, existing methods almost exclusively address the item-level DP setting, where each user contributes a single observation. Many scientific and economic applications instead involve longitudinal or panel data, in which each user contributes multiple dependent observations. In these settings, item-level DP offers inadequate protection, and user-level DP - shielding an individual's entire trajectory - is the appropriate privacy notion. We develop a comprehensive framework for estimation and inference in longitudinal linear regression under user-level DP. We propose a user-level private regression estimator based on aggregating local regressions, and we establish finite-sample guarantees and asymptotic normality under short-range dependence. For inference, we develop a privatized, bias-corrected covariance estimator that is automatically heteroskedasticity- and autocorrelation-consistent. These results provide the first unified framework for practical user-level DP estimation and inference in longitudinal linear regression under dependence, with strong theoretical guarantees and promising empirical performance.
• Abstract（参考訳）: Differential Privacy(DP)は、データセットに存在する個々の情報を保護しながら統計を公開するための厳格なフレームワークを提供する。 差分的にプライベートな線形回帰については大きな進展があったが、既存の手法はアイテムレベルのDP設定にのみ対応しており、各ユーザが単一の観測に貢献する。 多くの科学的、経済的な応用は、それぞれのユーザが複数の依存的な観察に貢献する縦方向またはパネルデータを含む。 これらの設定では、アイテムレベルのDPは不十分な保護を提供し、ユーザーレベルのDPは個人全体の軌跡を守り、適切なプライバシーの概念である。 ユーザレベルDP下での縦線形回帰における推定と推定のための包括的フレームワークを開発する。 局所回帰を集約したユーザレベルの個人回帰推定器を提案し、短距離依存下で有限サンプル保証と漸近正規性を確立する。 提案手法は, 偏差補正型共分散推定器で, 自動的にヘテロスケダスティック性, 自己相関性を推定する。 これらの結果から, 信頼性の高い理論的保証と有望な経験的性能を有する長手線形回帰における実用的ユーザレベルDP推定と推定のための, 初めての統一的枠組みが得られた。

関連論文リスト

• Differential privacy with dependent data [1.8835490533310795]
  We show that Winsorized mean estimator can be used under dependent for bounded data。 我々は,対数ソボレフ不等式による関節非有界観測への依存性を定式化する。 我々の研究は、依存データに対する差分プライバシー(DP)の体系的研究に向けた第一歩となる。
  論文  参考訳（メタデータ） (2025-11-23T18:56:40Z)
• High-Dimensional Differentially Private Quantile Regression: Distributed Estimation and Statistical Inference [0.26784722398800515]
  分散環境での高次元データに対する微分プライベート量子回帰法を提案する。 我々は、反復的な更新を行い、ほぼ最適な統計精度と正式なプライバシー保証を確保する、微分プライベートな推定アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-08-07T09:47:44Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• 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)
• Private Linear Regression with Differential Privacy and PAC Privacy [0.0]
  既存のプライバシを保存する線形回帰法は、よく確立された差分プライバシーの枠組みに依存している。 PACプライバシーはこの文脈ではまだ調査されていない。 差分プライバシとPACプライバシでトレーニングされた線形回帰モデルを、3つの実世界のデータセットで比較する。
  論文  参考訳（メタデータ） (2024-12-03T17:04:14Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Differentially Private Estimation via Statistical Depth [0.0]
  統計深度という2つの概念は、新しい近似DP位置と回帰推定器の動機付けに使用される。 推定値および/または観測値の事前境界をユーザが指定することを避けるため、これらのDP機構の変種を記述する。
  論文  参考訳（メタデータ） (2022-07-26T01:59:07Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)

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。