論文の概要: Near-Optimal Private Tests for Simple and MLR Hypotheses

• arxiv url: http://arxiv.org/abs/2601.21959v1
• Date: Thu, 29 Jan 2026 16:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.002012
• Title: Near-Optimal Private Tests for Simple and MLR Hypotheses
• Title（参考訳）: 簡易・MRR仮説のための準最適プライベートテスト
• Authors: Yu-Wei Chen, Raghu Pasupathy, Jordan Awan,
• Abstract要約: ガウス微分プライバシーの枠組みに基づく準最適試験法を開発した。 我々は、非プライベートで最も強力なテストと同等の相対効率を達成するプライベートテスト統計を構築した。 私たちのテストは、中程度の小さなサンプルサイズとプライバシ損失予算であっても、プライベートでない最も強力なテストに匹敵する力を提供します。
• 参考スコア（独自算出の注目度）: 13.738306418341729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a near-optimal testing procedure under the framework of Gaussian differential privacy for simple as well as one- and two-sided tests under monotone likelihood ratio conditions. Our mechanism is based on a private mean estimator with data-driven clamping bounds, whose population risk matches the private minimax rate up to logarithmic factors. Using this estimator, we construct private test statistics that achieve the same asymptotic relative efficiency as the non-private, most powerful tests while maintaining conservative type I error control. In addition to our theoretical results, our numerical experiments show that our private tests outperform competing DP methods and offer comparable power to the non-private most powerful tests, even at moderately small sample sizes and privacy loss budgets.
• Abstract（参考訳）: 本研究では,ガウス微分プライバシーの枠組みを基礎として,単調度比条件下での単調・二相試験とほぼ最適試験法を開発した。 我々のメカニズムは、データ駆動クランプ境界を持つプライベート平均推定器に基づいており、その集団リスクは、対数的要因までのプライベートミニマックスレートと一致している。 この推定器を用いて、非プライベートで最も強力なテストと同じ漸近的相対効率を達成するプライベートテスト統計を構築し、保守的なI型エラー制御を維持した。 理論的な結果に加えて、我々のプライベートテストは競合するDPメソッドよりも優れており、中程度のサンプルサイズやプライバシー損失予算であっても、非プライベートな最も強力なテストに匹敵するパワーを提供することを示す数値実験を行った。

関連論文リスト

• Minimax Optimal Two-Sample Testing under Local Differential Privacy [3.3317825075368908]
  ローカルディファレンシャルプライバシ(LDP)の下でのプライベート2サンプルテストにおけるプライバシと統計ユーティリティのトレードオフについて検討する。 本稿では,Laplace,離散Laplace,GoogleのRAPPORなど,実用的なプライバシメカニズムを用いたプライベートな置換テストを紹介する。 我々は,ビンニングによる連続データの研究を行い,その一様分離率をH"olderとBesovの滑らか度クラスよりもLDPで検討した。
  論文  参考訳（メタデータ） (2024-11-13T22:44:25Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Generalised Likelihood Ratio Testing Adversaries through the Differential Privacy Lens [69.10072367807095]
  微分プライバシー(DP)は、最適な敵の能力に厳格な上限を提供する。 我々は,NPO(Neyman-Pearson-Pearson-Pearson-Pearson-Pearson-Pearson)対GLRT(Generalized Likelihood Test)対向の仮定を緩和する。 この緩やかな緩和は、プライバシー保証の改善につながる。
  論文  参考訳（メタデータ） (2022-10-24T08:24:10Z)
• On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
  差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。 プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。 最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
  論文  参考訳（メタデータ） (2022-10-05T12:55:53Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size [24.149533870085175]
  我々は、Renyi差分プライバシーとして知られる、差分プライバシーのわずかな変種の下で、シーケンシャル仮説テスト問題を研究する。 我々は,Wald's Sequential Probability Ratio Test (SPRT)に基づく新たな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） (2022-04-10T04:15:50Z)

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。