論文の概要: Interpreting the Error of Differentially Private Median Queries through Randomization Intervals

• arxiv url: http://arxiv.org/abs/2604.07581v1
• Date: Wed, 08 Apr 2026 20:35:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.55254
• Title: Interpreting the Error of Differentially Private Median Queries through Randomization Intervals
• Title（参考訳）: ランダム化間隔による異なるプライベートメディアクエリの誤りの解釈
• Authors: Thomas Humphries, Tim Li, Shufan Zhang, Karl Knopf, Xi He,
• Abstract要約: RIは、DPによって導入されたエラーをバウンドする信頼区間の一種である。 本研究では、中央値が推定された後にRIを計算する方法であるPostRIを提案する。
• 参考スコア（独自算出の注目度）: 3.610958644282759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It can be difficult for practitioners to interpret the quality of differentially private (DP) statistics due to the added noise. One method to help analysts understand the amount of error introduced by DP is to return a Randomization Interval (RI), along with the statistic. A RI is a type of confidence interval that bounds the error introduced by DP. For queries where the noise distribution depends on the input, such as the median, prior work degrades the quality of the median itself to obtain a high-quality RI. In this work, we propose PostRI, a solution to compute a RI after the median has been estimated. PostRI enables a median estimation with 14%-850% higher utility than related work, while maintaining a narrow RI.
• Abstract（参考訳）: ノイズの付加による個人差分統計(DP)の質の解釈は,実践者にとって困難である。 DPが導入した誤差の量を理解するのに役立つ方法のひとつは、統計値とともにランダム化区間(RI)を返すことである。 RIは、DPによって導入されたエラーをバウンドする信頼区間の一種である。 ノイズ分布が中央値などの入力に依存するクエリの場合、先行処理は中央値自体の品質を劣化させ、高品質なRIを得る。 本研究では、中央値が推定された後にRIを計算する方法であるPostRIを提案する。 PostRIは、狭いRIを維持しながら、関連する作業よりも14%-850%高いユーティリティで中央値の推定を可能にする。

関連論文リスト

• Verifiable Exponential Mechanism for Median Estimation [4.083860866484599]
  本稿では,zk-SNARKを用いた指数関数機構の最初の検証実装を提案する。 具体的応用として、最初の検証可能な微分プライベート(DP)中央値推定法を示す。
  論文  参考訳（メタデータ） (2025-05-22T05:31:22Z)
• Tube Loss: A Novel Approach for Prediction Interval Estimation and probabilistic forecasting [17.472882720712118]
  本稿では,予測区間の境界値の同時推定のための新しい損失関数「タブロス」を提案する。 管損失に基づく経験的リスクを最小化して得られたPIは、既存の方法によるPIよりも高品質であることが示されている。
  論文  参考訳（メタデータ） (2024-12-08T15:17:53Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• A Conditional Normalizing Flow for Accelerated Multi-Coil MR Imaging [12.31503281925152]
  我々は,測定演算子のヌル空間の信号成分を推論する新しい条件正規化フロー(CNF)を開発し,後に測定データと組み合わせて完全な画像を生成する。 高速MRI脳と膝関節データを用いて,近年のMRI後部サンプリング技術を上回る高速な推測と精度を示す。
  論文  参考訳（メタデータ） (2023-06-02T15:49:26Z)
• Policy Evaluation in Distributional LQR [70.63903506291383]
  ランダムリターンの分布を閉形式で表現する。 この分布は有限個の確率変数で近似できることを示す。 近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T20:27:40Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• A Regularized Conditional GAN for Posterior Sampling in Image Recovery Problems [11.393603788068777]
  画像回復問題では、画像が歪んだり、不完全であったり、あるいはノイズによる破損した測定結果から推測しようとする。 本稿では,1秒間に数十個の高品質な後続サンプルを生成する正規化条件付きWasserstein GANを提案する。 本手法は, マルチコイルMRIと大規模インペインティングアプリケーションの両方において, 最先端の後方試料を作製する。
  論文  参考訳（メタデータ） (2022-10-24T16:43:00Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization [50.725191156128645]
  トンプソンサンプリングのようなマルチアームバンディットアルゴリズムは適応的な実験を行うのに利用できる。 統計的解析のための一様ランダム化の利点を組み合わせた2つのアルゴリズムを探索する2つのアーム実験のシミュレーションを提案する。
  論文  参考訳（メタデータ） (2021-12-15T22:11:58Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)

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。