論文の概要: On the Optimal Number of Grids for Differentially Private Non-Interactive $K$-Means Clustering

• arxiv url: http://arxiv.org/abs/2603.26963v1
• Date: Fri, 27 Mar 2026 20:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.710659
• Title: On the Optimal Number of Grids for Differentially Private Non-Interactive $K$-Means Clustering
• Title（参考訳）: 差分的にプライベートな$K$-Meansクラスタリングのための最適グリッド数について
• Authors: Gokularam Muthukrishnan, Anshoo Tandon,
• Abstract要約: K$-meansクラスタリングにより、データセットから派生したクラスタセンターを解放し、個人のプライバシを保護することが可能になる。 そこで本稿では,K平均目的関数における期待偏差の上限を最小化して導出したグリッドサイズ選択則を提案する。 グリッドの解像度は、クラスタの数に依存することと、データセットのサイズとプライバシ予算によるスケーリングの両方で異なります。
• 参考スコア（独自算出の注目度）: 4.840369931441299
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Differentially private $K$-means clustering enables releasing cluster centers derived from a dataset while protecting the privacy of the individuals. Non-interactive clustering techniques based on privatized histograms are attractive because the released data synopsis can be reused for other downstream tasks without additional privacy loss. The choice of the number of grids for discretizing the data points is crucial, as it directly controls the quantization bias and the amount of noise injected to preserve privacy. The widely adopted strategy selects a grid size that is independent of the number of clusters and also relies on empirical tuning. In this work, we revisit this choice and propose a refined grid-size selection rule derived by minimizing an upper bound on the expected deviation in the K-means objective function, leading to a more principled discretization strategy for non-interactive private clustering. Compared to prior work, our grid resolution differs both in its dependence on the number of clusters and in the scaling with dataset size and privacy budget. Extensive numerical results elucidate that the proposed strategy results in accurate clustering compared to the state-of-the-art techniques, even under tight privacy budgets.
• Abstract（参考訳）: 異なるプライベートな$K$-meansクラスタリングにより、データセットから派生したクラスタセンタを解放し、個人のプライバシを保護することが可能になる。 プライベートなヒストグラムに基づく非インタラクティブクラスタリング技術は、リリースされたデータシナプスを、追加のプライバシ損失なしに他の下流タスクに再利用できるため、魅力的である。 データポイントを識別するためのグリッドの数の選択は、プライバシを保護するために注入される量子化バイアスとノイズの量を直接制御するので、非常に重要です。 広く採用されている戦略は、クラスタの数に依存せず、経験的なチューニングにも依存するグリッドサイズを選択する。 本研究では、この選択を再考し、K平均目的関数の期待偏差の上限を最小化し、非インタラクティブなプライベートクラスタリングのためのより原則化された離散化戦略を導出した、洗練されたグリッドサイズ選択則を提案する。 これまでの作業と比較すると、グリッドの解像度はクラスタ数に依存することと、データセットのサイズとプライバシ予算によるスケーリングの両方で異なります。 厳密なプライバシー予算下であっても,提案手法が最先端技術と比較して正確なクラスタリングを実現することが,広範な数値結果から明らかとなった。

関連論文リスト

• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Metric Embedding Initialization-Based Differentially Private and Explainable Graph Clustering [0.0]
  グラフクラスタリングは、個々のプライバシを保護しながら、グラフ構造化データを処理することを目的としている。 距離埋め込みに基づくグラフクラスタリング手法を,差分的にプライベートかつ解釈可能なグラフクラスタリング手法を構築した。 提案するフレームワークは,プライバシを厳格に保証しつつ,さまざまなクラスタリング指標における既存手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-07T21:28:23Z)
• Differentially Private Federated $k$-Means Clustering with Server-Side Data [19.962475029447127]
  FedDP-KMeansは$k$-meansクラスタリングのためのアルゴリズムで、完全なフェデレーションと差分プライベートである。 提案アルゴリズムは,合成および実世界のベンチマークタスクにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-06-04T14:53:25Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• DPM: Clustering Sensitive Data through Separation [2.2179058122448922]
  幾何学的クラスタリングアプローチに基づいてデータセットをクラスタに分離するDPMと呼ばれるプライバシ保護クラスタリングアルゴリズムを提案する。 我々は,DPMが標準クラスタリング指標の最先端性を実現し,一般的なKMeansアルゴリズムに近いクラスタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-06T13:12:19Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Differentially Private Vertical Federated Clustering [13.27934054846057]
  多くのアプリケーションでは、複数のパーティが同じユーザのセットに関するプライベートデータを持っているが、非結合な属性のセットについてである。 データ対象者のプライバシーを保護しながらモデル学習を可能にするためには、垂直連合学習(VFL)技術が必要である。 本論文で提案するアルゴリズムは, 個人用垂直結合型K平均クラスタリングのための最初の実用的な解法である。
  論文  参考訳（メタデータ） (2022-08-02T19:23:48Z)
• Mixed Differential Privacy in Computer Vision [133.68363478737058]
  AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。 プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
  論文  参考訳（メタデータ） (2022-03-22T06:15:43Z)
• Differentially-Private Clustering of Easy Instances [67.04951703461657]
  異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。 我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。 我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-29T08:13:56Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)

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。