論文の概要: Matrix Factorization for Practical Continual Mean Estimation Under User-Level Differential Privacy

• arxiv url: http://arxiv.org/abs/2601.22320v1
• Date: Thu, 29 Jan 2026 21:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.064335
• Title: Matrix Factorization for Practical Continual Mean Estimation Under User-Level Differential Privacy
• Title（参考訳）: ユーザレベル差分プライバシに基づく実測連続平均推定のための行列係数化
• Authors: Nikita P. Kalinin, Ali Najar, Valentin Roth, Christoph H. Lampert,
• Abstract要約: 連続平均推定では、データが順次到着し、その目標は、走行平均の正確な推定を維持することである。 ユーザレベルの差分プライバシの下でこの問題に対処し、複数のデータポイントをコントリビュートしても、各ユーザのデータセット全体を保護します。
• 参考スコア（独自算出の注目度）: 17.01170335906325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study continual mean estimation, where data vectors arrive sequentially and the goal is to maintain accurate estimates of the running mean. We address this problem under user-level differential privacy, which protects each user's entire dataset even when they contribute multiple data points. Previous work on this problem has focused on pure differential privacy. While important, this approach limits applicability, as it leads to overly noisy estimates. In contrast, we analyze the problem under approximate differential privacy, adopting recent advances in the Matrix Factorization mechanism. We introduce a novel mean estimation specific factorization, which is both efficient and accurate, achieving asymptotically lower mean-squared error bounds in continual mean estimation under user-level differential privacy.
• Abstract（参考訳）: 本研究では,データベクトルが逐次到着する連続平均推定について検討し,その目的は走行平均の正確な推定を維持することである。 ユーザレベルの差分プライバシの下でこの問題に対処し、複数のデータポイントをコントリビュートしても、各ユーザのデータセット全体を保護します。 この問題に関するこれまでの研究は、純粋な差分プライバシーに重点を置いてきた。 このアプローチは重要ではあるが、過度にノイズの多い見積もりにつながるため、適用性を制限する。 対照的に、近似微分プライバシー下での問題を解析し、行列分解機構の最近の進歩を取り入れた。 ユーザレベルの差分プライバシー下での連続平均推定において、漸近的に低い平均二乗誤差境界を実現する。

関連論文リスト

• 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)
• On Improving the Composition Privacy Loss in Differential Privacy for Fixed Estimation Error [4.809236881780709]
  ユーザが複数のサンプルをコントリビュートできるデータセットの非結合部分集合の統計のプライベートリリースについて検討する。 特に、サンプル平均の$epsilon$-differentially privateリリースとデータセットの非結合部分集合におけるサンプル値のばらつきに焦点を当てる。 当社の主なコントリビューションは,ユーザのコントリビューションの抑制に基づく反復アルゴリズムです。
  論文  参考訳（メタデータ） (2024-05-10T06:24:35Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Mean Estimation with User-level Privacy under Data Heterogeneity [54.07947274508013]
  異なるユーザーは、非常に多くの異なるデータポイントを持っているかもしれない。 すべてのユーザが同じディストリビューションからサンプルを採取していると仮定することはできない。 本研究では,データの分布と量の両方でユーザデータが異なる異質なユーザデータの単純なモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:02:39Z)
• Non-parametric Differentially Private Confidence Intervals for the Median [3.205141100055992]
  本稿では,中央値に対する有意な個人的信頼区間を計算するためのいくつかの戦略を提案し,評価する。 また、サンプリングからのエラーと出力の保護からのエラーという2つの不確実性源に対処することが、この不確実性を逐次的に組み込んだ単純なアプローチよりも望ましいことを示す。
  論文  参考訳（メタデータ） (2021-06-18T19:45:37Z)
• Robust and Differentially Private Mean Estimation [40.323756738056616]
  異なるプライバシーは、米国国勢調査から商用デバイスで収集されたデータまで、さまざまなアプリケーションで標準要件として浮上しています。 このようなデータベースの数は、複数のソースからのデータからなり、それらすべてが信頼できるわけではない。 これにより、既存のプライベート分析は、腐敗したデータを注入する敵による攻撃に弱い。
  論文  参考訳（メタデータ） (2021-02-18T05:02:49Z)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)
• Doubly Robust Off-Policy Value and Gradient Estimation for Deterministic Policies [80.42316902296832]
  本研究では,行動継続時の非政治データから決定論的政策の政策値と勾配を推定する。 この設定では、密度比が存在しないため、標準重要度サンプリングとポリシー値と勾配の2倍の頑健な推定が失敗する。 異なるカーネル化アプローチに基づく2つの新しい頑健な推定器を提案する。
  論文  参考訳（メタデータ） (2020-06-06T15:52:05Z)
• Designing Differentially Private Estimators in High Dimensions [0.0]
  本研究では,高次元環境下での個人平均推定について検討する。 高次元ロバスト統計学における最近の研究で、計算的に抽出可能な平均推定アルゴリズムが特定されている。
  論文  参考訳（メタデータ） (2020-06-02T21:17:30Z)

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。