論文の概要: Rethinking Benchmarks for Differentially Private Image Classification

• arxiv url: http://arxiv.org/abs/2601.17189v1
• Date: Fri, 23 Jan 2026 21:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.404587
• Title: Rethinking Benchmarks for Differentially Private Image Classification
• Title（参考訳）: 差分的私的画像分類のためのベンチマークの再考
• Authors: Sabrina Mokhtari, Sara Kodeiri, Shubhankar Mohapatra, Florian Tramer, Gautam Kamath,
• Abstract要約: 我々は、差分プライベート機械学習のための包括的なベンチマークセットを提案する。 異なる環境でどのアイデアが有効かを確認するために、これらのベンチマークで確立されたテクニックをテストする。 私たちはコミュニティのために公開のリーダーボードを作成し、異なるプライベート機械学習の進歩を追跡します。
• 参考スコア（独自算出の注目度）: 6.881681827007617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We revisit benchmarks for differentially private image classification. We suggest a comprehensive set of benchmarks, allowing researchers to evaluate techniques for differentially private machine learning in a variety of settings, including with and without additional data, in convex settings, and on a variety of qualitatively different datasets. We further test established techniques on these benchmarks in order to see which ideas remain effective in different settings. Finally, we create a publicly available leader board for the community to track progress in differentially private machine learning.
• Abstract（参考訳）: 差分プライベート画像分類のためのベンチマークを再検討する。 研究者は、凸設定や定性的に異なるさまざまなデータセットを含む様々な設定において、差分プライベート機械学習のテクニックを評価できるような、包括的なベンチマークセットを提案する。 異なる環境でどのアイデアが有効かを確認するため、これらのベンチマークで確立されたテクニックをさらに検証する。 最後に、差分プライベート機械学習の進歩を追跡するために、コミュニティのための公開のリーダーボードを作成します。

関連論文リスト

• 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)
• PredBench: Benchmarking Spatio-Temporal Prediction across Diverse Disciplines [86.36060279469304]
  予測時間ネットワークの総合評価に適したベンチマークであるPredBenchを紹介する。 このベンチマークでは、広く採用されている12のメソッドと、複数のアプリケーションドメインにまたがる多様なデータセットを統合する。 その多次元評価フレームワークは、総合的なメトリクスセットで分析を広げる。
  論文  参考訳（メタデータ） (2024-07-11T11:51:36Z)
• Rank Supervised Contrastive Learning for Time Series Classification [17.302643963704643]
  時系列分類を行うためにRankSCL(Rank Supervised Contrastive Learning)を提案する。 RankSCLは埋め込みスペースにおいて、ターゲットとする方法で生データを増強する。 異なるレベルの正のサンプルに対して異なる重みを割り当てるために、新しいランク損失が開発された。
  論文  参考訳（メタデータ） (2024-01-31T18:29:10Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Personalized Graph Federated Learning with Differential Privacy [6.282767337715445]
  本稿では、分散接続されたサーバとそのエッジデバイスが協調してデバイスやクラスタ固有のモデルを学習する、パーソナライズされたグラフフェデレーション学習(PGFL)フレームワークを提案する。 本稿では、差分プライバシー、特にノイズシーケンスがモデル交換を行うゼロ集中差分プライバシーを利用するPGFL実装の変種について検討する。 分析の結果,このアルゴリズムは,ゼロ集中型差分プライバシーの観点から,全クライアントの局所的な差分プライバシを保証することがわかった。
  論文  参考訳（メタデータ） (2023-06-10T09:52:01Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• Differentially Private Graph Classification with GNNs [5.830410490229634]
  グラフネットワーク(GNN)は多くの機械学習アプリケーションの最先端モデルとして確立されている。 グラフにおける機械学習の重要な応用の1つであるグラフレベル分類の差分プライバシーを導入する。 各種の合成および公開データセットについて結果を示し、異なるGNNアーキテクチャの影響を評価する。
  論文  参考訳（メタデータ） (2022-02-05T15:16:40Z)
• Differentially Private Synthetic Data: Applied Evaluations and Enhancements [4.749807065324706]
  異なるプライベートデータ合成は、個人の詳細を露出から保護する。 データ合成のための4つの差分私的生成対向ネットワークの評価を行った。 合成データを生成するためのアンサンブルに基づくモデリング手法であるQUAILを提案する。
  論文  参考訳（メタデータ） (2020-11-11T04:03:08Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。