論文の概要: Denoising the US Census: Succinct Block Hierarchical Regression

• arxiv url: http://arxiv.org/abs/2603.10099v1
• Date: Tue, 10 Mar 2026 17:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.636277
• Title: Denoising the US Census: Succinct Block Hierarchical Regression
• Title（参考訳）: 米国国勢調査を無視する - ブロックによる階層的回帰
• Authors: Badih Ghazi, Pritish Kamath, Ravi Kumar, Pasin Manurangsi, Adam Sealfon,
• Abstract要約: 我々は、より正確で一貫した見積もりを生成する新しい後処理手法であるBlueDownを紹介する。 アメリカ合衆国国勢調査局が提案する評価指標に基づいて,郡域の集計値とトラクションレベルの精度を特に高めに改善した。
• 参考スコア（独自算出の注目度）: 48.50026671993762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The US Census Bureau Disclosure Avoidance System (DAS) balances confidentiality and utility requirements for the decennial US Census (Abowd et al., 2022). The DAS was used in the 2020 Census to produce demographic datasets critically used for legislative apportionment and redistricting, federal and state funding allocation, municipal and infrastructure planning, and scientific research. At the heart of DAS is TopDown, a heuristic post-processing method that combines billions of private noisy measurements across six geographic levels in order to produce new estimates that are consistent, more accurate, and satisfy certain structural constraints on the data. In this work, we introduce BlueDown, a new post-processing method that produces more accurate, consistent estimates while satisfying the same privacy guarantees and structural constraints. We obtain especially large accuracy improvements for aggregates at the county and tract levels on evaluation metrics proposed by the US Census Bureau. From a technical perspective, we develop a new algorithm for generalized least-squares regression that leverages the hierarchical structure of the measurements and that is statistically optimal among linear unbiased estimators. This reduces the computational dependence on the number of geographic regions measured from matrix multiplication time, which would be infeasible for census-scale data, to linear time. We incorporate the additional structural constraints by combining this regression algorithm with an optimization routine that extends TDA to support correlated measurements. We further improve the efficiency of our algorithm using succinct linear-algebraic operations that exploit symmetries in the structure of the measurements and constraints. We believe our hierarchical regression and succinct operations to be of independent interest.
• Abstract（参考訳）: アメリカ合衆国国勢調査局開示回避システム(DAS)は、12年の国勢調査(Abowd et al , 2022)の機密性と実用性要件のバランスをとる。 DASは、2020年の国勢調査で、立法の承認と再編成、連邦政府と州の予算配分、自治体とインフラ計画、科学研究に批判的に使用される人口統計データセットを作成するために使用された。 DASの中心にあるのは、TopDownというヒューリスティックなポストプロセッシング手法だ。これは、6つの地理的レベルにわたる何十億ものプライベートノイズ測定を組み合わせ、一貫性があり、より正確で、データ上の一定の構造的制約を満たす新しい推定値を生成する。 そこで本研究では,同じプライバシー保証と構造制約を満足しつつ,より正確で一貫した推定値を生成する,新たなポストプロセッシング手法BlueDownを紹介する。 アメリカ合衆国国勢調査局が提案する評価指標に基づいて,郡域の集計値とトラクションレベルの精度を特に高めに改善した。 技術的観点から、測定の階層構造を利用する一般化された最小二乗回帰のための新しいアルゴリズムを開発し、線形非バイアス推定器の間で統計的に最適である。 これにより、国勢調査スケールのデータでは不可能となる行列乗算時間から線形時間までの測定された地理的領域数への計算的依存を減少させる。 我々は、この回帰アルゴリズムとTDAを拡張して相関測定をサポートする最適化ルーチンを組み合わせることで、付加的な構造的制約を組み込む。 我々は, 測定と制約構造における対称性を利用する簡潔な線形代数演算を用いて, アルゴリズムの効率をさらに向上する。 私たちは、階層的な回帰と簡潔な操作が独立した関心事であると信じています。

関連論文リスト

• Best Linear Unbiased Estimate from Privatized Contingency Tables [6.17477133700348]
  差分プライバシー(DP)機構では、異なる民営化値を組み合わせることで、いくつかの量を複数の方法で推定することができる。 アメリカ合衆国国勢調査局が発行したDP 2020の年次国勢調査製品は、このような冗長なノイズ数で構成されている。 最小分散処理は線形射影であることを示す。
  論文  参考訳（メタデータ） (2024-09-06T16:27:34Z)
• Least Squares Estimation For Hierarchical Data [0.7366405857677227]
  アメリカ合衆国国勢調査局の2020年開示回避システム(DAS)はノイズ測定に基づく出力をベースとしている。 本稿では,非常に高次元の最小二乗推定値を計算するために,入力データの階層構造を利用するアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2024-04-19T20:18:16Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• 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)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。