論文の概要: Locally Private Parametric Methods for Change-Point Detection

• arxiv url: http://arxiv.org/abs/2602.13619v1
• Date: Sat, 14 Feb 2026 06:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.237551
• Title: Locally Private Parametric Methods for Change-Point Detection
• Title（参考訳）: 変化点検出のための局所的私的パラメトリック法
• Authors: Anuj Kumar Yadav, Cemre Cadir, Yanina Shkel, Michael Gastpar,
• Abstract要約: そこで本研究では,局所的な差分プライバシーの下で時系列の分布変化を同定することを目的とするパラメトリックな変化点検出について検討する。 非プライベートな設定では、一般化された対数類似度比テストに基づいて、変更点検出アルゴリズムに対する有限サンプル精度の保証を導出する。 そこで本研究では,ランダム化応答とバイナリ機構に基づく2つの局所微分プライベートアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 11.057090535856839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study parametric change-point detection, where the goal is to identify distributional changes in time series, under local differential privacy. In the non-private setting, we derive improved finite-sample accuracy guarantees for a change-point detection algorithm based on the generalized log-likelihood ratio test, via martingale methods. In the private setting, we propose two locally differentially private algorithms based on randomized response and binary mechanisms, and analyze their theoretical performance. We derive bounds on detection accuracy and validate our results through empirical evaluation. Our results characterize the statistical cost of local differential privacy in change-point detection and show how privacy degrades performance relative to a non-private benchmark. As part of this analysis, we establish a structural result for strong data processing inequalities (SDPI), proving that SDPI coefficients for Rényi divergences and their symmetric variants (Jeffreys-Rényi divergences) are achieved by binary input distributions. These results on SDPI coefficients are also of independent interest, with applications to statistical estimation, data compression, and Markov chain mixing.
• Abstract（参考訳）: そこでは,局所的な差分プライバシーの下で,時系列の分布変化を同定することを目的とするパラメトリックな変化点検出について検討する。 非プライベートな設定では、マーチンゲール法を用いて、一般化された対数類似度比テストに基づいて、変更点検出アルゴリズムの有限サンプル精度の保証を導出する。 そこで本研究では,ランダム化応答と二値化機構に基づく2つの局所微分プライベートアルゴリズムを提案し,その理論的性能を解析する。 検出精度の限界を導出し,実験による検証を行った。 この結果から, 変更点検出における局所的差分プライバシーの統計的コストを特徴付けるとともに, プライバシが非プライベートベンチマークと比較して性能を低下させることを示す。 この分析の一環として、強いデータ処理の不等式(SDPI)に関する構造的結果を確立し、レナイ発散量とその対称変量(Jeffreys-Rényi発散量)のSDPI係数がバイナリ入力分布によって達成されることを示す。 SDPI係数のこれらの結果は、統計的推定、データ圧縮、マルコフ連鎖混合など、独立した関心を持つ。

関連論文リスト

• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• 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)
• Distributed, communication-efficient, and differentially private estimation of KL divergence [15.294136011320433]
  分散された機密性の高いデータを管理する上で重要なタスクは、分散の変化の度合いを測定することである。 差分プライバシの下で,計算のフェデレーションモデル間でのKL分散を推定するための新しいアルゴリズムアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-11-25T15:20:40Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Improving the Variance of Differentially Private Randomized Experiments through Clustering [16.166525280886578]
  差分的プライベートなメカニズムであるCluster-DPを提案する。 より高品質なクラスタを選択することで,プライバシー保証を損なうことなく,分散ペナルティを低減できることを示す。
  論文  参考訳（メタデータ） (2023-08-02T05:51:57Z)
• Differentially Private Confidence Intervals for Proportions under Stratified Random Sampling [14.066813980992132]
  データプライバシの意識の高まりに伴い、プライベートバージョンの信頼区間の開発が注目されている。 最近の研究は個人的信頼区間で行われているが、個人的信頼区間では厳密な方法論が研究されていない。 階層化されたランダムサンプリングの下で,信頼区間を構成するための3つの差分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） (2023-01-19T21:25:41Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。