論文の概要: BlockRR: A Unified Framework of RR-type Algorithms for Label Differential Privacy

• arxiv url: http://arxiv.org/abs/2602.03277v1
• Date: Tue, 03 Feb 2026 09:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.34151
• Title: BlockRR: A Unified Framework of RR-type Algorithms for Label Differential Privacy
• Title（参考訳）: BlockRR: ラベル差分プライバシーのためのRR型アルゴリズムの統一フレームワーク
• Authors: Haixia Liu, Yi Ding,
• Abstract要約: ラベル差分プライバシーのための新しいランダム化応答機構であるBlockRRを紹介する。 BlockRR が$$-label DP を満たすことを証明します。 CIFAR-10の2つの変種に対するBlockRRの評価を行った。
• 参考スコア（独自算出の注目度）: 4.93756385597203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce BlockRR, a novel and unified randomized-response mechanism for label differential privacy. This framework generalizes existed RR-type mechanisms as special cases under specific parameter settings, which eliminates the need for separate, case-by-case analysis. Theoretically, we prove that BlockRR satisfies $ε$-label DP. We also design a partition method for BlockRR based on a weight matrix derived from label prior information; the parallel composition principle ensures that the composition of two such mechanisms remains $ε$-label DP. Empirically, we evaluate BlockRR on two variants of CIFAR-10 with varying degrees of class imbalance. Results show that in the high-privacy and moderate-privacy regimes ($ε\leq 3.0$), our propsed method gets a better balance between test accuaracy and the average of per-class accuracy. In the low-privacy regime ($ε\geq 4.0$), all methods reduce BlockRR to standard RR without additional performance loss.
• Abstract（参考訳）: 本稿では,ラベル差分プライバシーのための新しいランダム化応答機構であるBlockRRを紹介する。 このフレームワークは、特定のパラメータ設定の下でRR型メカニズムを特別な場合として一般化し、ケース・バイ・ケース分析を分離する必要がなくなる。 理論的には、BlockRR が$ε$-label DP を満たすことを証明している。 また,ラベル先行情報から導出される重み行列に基づいてBlockRRの分割法を設計し,その並列合成原理により,そのような2つのメカニズムの合成が$ε$-label DPのままであることを保証する。 CIFAR-10の2種類の変種に対して,クラス不均衡の度合いの異なるBlockRRを実験的に評価した。 その結果,高民権と中小民権の制度(ε\leq 3.0$)において,提案手法は,テストアクセラシーとクラス毎の精度の平均とのバランスが良くなった。 ロープライ・レジーム(ε\geq 4.0$)では、すべてのメソッドがBlockRRを通常のRRに還元する。

関連論文リスト

• RPWithPrior: Label Differential Privacy in Regression [0.0]
  本稿では,$$-label差分プライバシー保証の下での回帰タスクに着目した。 元の応答とランダムな応答を連続確率変数としてモデル化し、離散化を完全に回避する。 我々のアルゴリズムであるRPWithPriorは、$$-label差分プライバシーを保証する。
  論文  参考訳（メタデータ） (2026-01-30T06:27:13Z)
• LoRA and Privacy: When Random Projections Help (and When They Don't) [55.65932772290123]
  我々は、$S mapto M f(S)$ with $M sim W_d (1/r I_d, r)$という形のランダムマップである(ウィッシュアート)プロジェクション機構を導入し、その差分プライバシー特性について検討する。 ベクトル値が$f$の場合、付加雑音のない非漸近DP保証を証明し、ウィッシュアートのランダム性だけで十分であることを示す。 しかし,行列値クエリでは,ノイズフリーな環境では,そのメカニズムはDPではなく,その脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-01-29T13:43:37Z)
• Perfect Clustering for Sparse Directed Stochastic Block Models [1.3464152928754485]
  スパース指向SBMにおけるコミュニティ検出のための非スペクトル2段階手法を提案する。 提案手法はまず,非対称設定に適した近傍平滑化スキームを用いて有向確率行列を推定する。 提案手法は,有向スペクトル法とスコア法が劣化した状況下で確実に動作可能であることを示す。
  論文  参考訳（メタデータ） (2026-01-23T03:53:20Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Sparse Linear Bandits with Blocking Constraints [22.01704171400845]
  データ・ポーア・システマにおける高次元スパース線形包帯問題について検討する。 線形モデルに対するラッソ推定器の新たなオフライン統計的保証を示す。 本稿では,最小限のコストで最適空間パラメータ$k$の知識を必要としない相関に基づくメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-26T01:42:03Z)
• Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
  確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。 トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
  論文  参考訳（メタデータ） (2023-03-30T02:51:00Z)
• Batch-Size Independent Regret Bounds for Combinatorial Semi-Bandits with Probabilistically Triggered Arms or Independent Arms [59.8188496313214]
  半帯域 (CMAB) について検討し, 半帯域 (CMAB) におけるバッチサイズ (K$) の依存性の低減に着目した。 まず,確率的に引き起こされるアーム(CMAB-T)を用いたCMABの設定に対して,分散を考慮した信頼区間を持つBCUCB-Tアルゴリズムを提案する。 次に,独立アームを用いた非トリガ型CMABの設定に対して,TPVM条件の非トリガ型を利用したSESCBアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-31T13:09:39Z)
• Optimal Online Generalized Linear Regression with Stochastic Noise and Its Application to Heteroscedastic Bandits [88.6139446295537]
  一般化線形モデルの設定におけるオンライン一般化線形回帰の問題について検討する。 ラベルノイズに対処するため、古典的追従正規化リーダ(FTRL)アルゴリズムを鋭く解析する。 本稿では,FTRLに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:25:26Z)
• Combining Differential Privacy and Byzantine Resilience in Distributed SGD [9.14589517827682]
  本稿では,分散SGDアルゴリズムが標準パラメータサーバアーキテクチャにおいて,どの程度正確なモデルを学習できるかについて検討する。 特に$(alpha,f)$-Byzantineのレジリエンスに依存しているものは、正直な労働者がDPを強制すると無効となる。
  論文  参考訳（メタデータ） (2021-10-08T09:23:03Z)
• Statistically Robust, Risk-Averse Best Arm Identification in Multi-Armed Bandits [4.760079434948198]
  このようなパラメトリック情報を利用する特殊なアルゴリズムは、パラメータが誤って特定された場合、不整合学習性能が高いことを示す。 主な貢献は, (i) 固定予算純探索条件下で統計的に堅牢なMABアルゴリズムの基本的な性能限界を確立すること, (ii) 二つの近似アルゴリズムのクラスを提案することである。
  論文  参考訳（メタデータ） (2020-08-28T13:43:12Z)

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。