論文の概要: Privacy-Preserving Black-Box Optimization (PBBO): Theory and the Model-Based Algorithm DFOp

• arxiv url: http://arxiv.org/abs/2601.11570v1
• Date: Sun, 28 Dec 2025 09:04:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-01-25 07:05:30.21497
• Title: Privacy-Preserving Black-Box Optimization (PBBO): Theory and the Model-Based Algorithm DFOp
• Title（参考訳）: プライバシー保護型ブラックボックス最適化(PBBO):理論とモデルベースアルゴリズムDFOp
• Authors: Pengcheng Xie,
• Abstract要約: 本稿では、制約のないプライバシー保護ブラックボックス最適化(PBBO)の解決に焦点をあてる。 本稿では, DFOp を実装した微分自由解法を提案する。 数値計算の結果,DFOpは比較アルゴリズムよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper focuses on solving unconstrained privacy-preserving black-box optimization (PBBO), its corresponding least Frobenius norm updating of quadratic models, and the differentially privacy mechanisms for PBBO. Optimization problems with transformed/encrypted objective functions aim to minimize F(x), which is encrypted/transformed/encrypted to F_k(x) as the output at the k-th iteration. A new derivative-free solver named DFOp, with its implementation, is proposed in this paper, which has a new updating formula for the quadratic model functions. The convergence of DFOp for solving problems with transformed/encrypted objective functions is given. Other analyses, including the new model updating formula and the analysis of the transformation's impact to model functions are presented. We propose two differentially private noise-adding mechanisms for privacy-preserving black-box optimization. Numerical results show that DFOp performs better than compared algorithms. To the best of our knowledge, DFOp is the first derivative-free solver that can solve black-box optimization problems with step-encryption and privacy-preserving black-box problems exactly, which also tries to answer the open question about the combination of derivative-free optimization and privacy.
• Abstract（参考訳）: 本稿では、制約のないプライバシー保護ブラックボックス最適化(PBBO)、それに対応する2次モデルのフロベニウス標準更新、PBBOの差分プライバシー機構の解決に焦点をあてる。 変換/暗号化された目的関数の最適化問題は、k次繰り返しの出力としてF_k(x)に暗号化/変換/暗号化されるF(x)を最小化することを目的としている。 本稿では, 2次モデル関数の更新式を新たに導入した DFOp を実装した微分自由解法を提案する。 変換・暗号化された目的関数の問題を解くためのDFOpの収束性を与える。 新しいモデル更新公式や変換がモデル関数に与える影響の分析など、他の分析結果も提示する。 プライバシー保護ブラックボックス最適化のための2つのノイズ付加機構を提案する。 数値計算の結果,DFOpは比較アルゴリズムよりも優れた性能を示した。 我々の知る限り、DFOpは、ステップ暗号化とプライバシ保存によるブラックボックス最適化問題を正確に解決できる最初のデリバティブフリー解決器であり、デリバティブフリー最適化とプライバシの組み合わせに関するオープンな質問に答えようとしている。

関連論文リスト

• Posterior Inference with Diffusion Models for High-dimensional Black-box Optimization [17.92257026306603]
  生成モデルはブラックボックス最適化の問題を解決するために登場した。 我々は、高次元のブラックボックス最適化問題を解決するための新しいフレームワーク、textbfDiBOを紹介する。 提案手法は, 合成タスク, 実世界のタスクにおいて, 最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2025-02-24T04:19:15Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• Polynomial-Model-Based Optimization for Blackbox Objectives [0.0]
  ブラックボックス最適化は、事前定義された目的関数が最小化されるようなシステムに対して最適なパラメータを求める。 PMBOは目的関数にサロゲートを合わせることで最小値を求める新しいブラックボックスである。 PMBOは、与えられた人工的解析関数のセットに対して、他の最先端のアルゴリズムとベンチマークされる。
  論文  参考訳（メタデータ） (2023-09-01T14:11:03Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Scalable Projection-Free Optimization [7.170441928038049]
  プロジェクションフリーのアルゴリズムとして、FW(Frank-Wolfe)は機械学習コミュニティで注目されている。 まず、イテレーションごとに1つのサンプルのみを必要とするスケーラブルなプロジェクションフリー最適化方法を提案します。 次に、凸関数と非客観的関数の両方に対応する分散Frank-Wolfe(FW)フレームワークを開発します。
  論文  参考訳（メタデータ） (2021-05-07T22:27:18Z)
• Scalable Combinatorial Bayesian Optimization with Tractable Statistical models [44.25245545568633]
  緩和空間上のブラックボックス関数(集合、列、木、グラフなど)を最適化する問題について検討する。 サブモジュール緩和の最近の進歩に基づき,BOCSモデルにおけるAFO問題のスケーラビリティと精度向上を目標として,Parametrized Submodular (PSR) のアプローチを検討する。 多様なベンチマーク問題に対する実験では、BOCSモデルに対するPSRによる大幅な改善が示されている。
  論文  参考訳（メタデータ） (2020-08-18T22:56:46Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。