論文の概要: Differentially Private Conformal Prediction

• arxiv url: http://arxiv.org/abs/2604.14621v2
• Date: Sun, 19 Apr 2026 04:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 13:51:31.129236
• Title: Differentially Private Conformal Prediction
• Title（参考訳）: Differentially Private Conformal Prediction
• Authors: Jiamei Wu, Ce Zhang, Zhipeng Cai, Jingsen Kong, Bei Jiang, Linglong Kong, Lingchen Kong,
• Abstract要約: コンフォーマル予測(CP)は、予測セットによる不確実性定量化のためのシンプルで柔軟なフレームワークとして広く注目を集めている。 まず,データ分割による効率損失を回避する非分割型コンフォメーション手法である差分CPを導入する。 本研究では,DPモデルのトレーニングと校正のためのプライベート量子化機構を組み合わせた,完全プライベートな手順である差分的プライベート・コンフォーマル・予測(DPCP)を開発する。
• 参考スコア（独自算出の注目度）: 23.935292523433834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction (CP) has attracted broad attention as a simple and flexible framework for uncertainty quantification through prediction sets. In this work, we study how to deploy CP under differential privacy (DP) in a statistically efficient manner. We first introduce differential CP, a non-splitting conformal procedure that avoids the efficiency loss caused by data splitting and serves as a bridge between oracle CP and private conformal inference. By exploiting the stability properties of DP mechanisms, differential CP establishes a direct connection to oracle CP and inherits corresponding validity behavior. Building on this idea, we develop Differentially Private Conformal Prediction (DPCP), a fully private procedure that combines DP model training with a private quantile mechanism for calibration. We establish the end-to-end privacy guarantee of DPCP and investigate its coverage properties under additional regularity conditions. We further study the efficiency of both differential CP and DPCP under empirical risk minimization and general regression models, showing that DPCP can produce tighter prediction sets than existing private split conformal approaches under the same privacy budget. Numerical experiments on synthetic and real datasets demonstrate the practical effectiveness of the proposed methods.
• Abstract（参考訳）: コンフォーマル予測(CP)は、予測セットによる不確実性定量化のためのシンプルで柔軟なフレームワークとして広く注目を集めている。 本研究では,差分プライバシ(DP)の下でCPを統計的に効率的に展開する方法を検討する。 まず、データ分割による効率損失を回避し、オラクルCPとプライベートコンフォメーション推論のブリッジとして機能する非分割型コンフォメーションプロシージャである差分CPを導入する。 DP機構の安定性特性を利用して、微分CPはオラクルCPとの直接接続を確立し、対応する妥当性挙動を継承する。 このアイデアに基づいて,DPモデルトレーニングとキャリブレーションのためのプライベート量子機構を組み合わせた完全プライベートな手順であるDPCPを開発した。 我々は、DPCPのエンドツーエンドのプライバシー保証を確立し、追加の規則条件下でそのカバレッジ特性を調査する。 さらに,実証的リスク最小化と一般回帰モデルの下での差分CPとDPCPの効率について検討し,DPCPが同一のプライバシ予算下での既存の分割整合アプローチよりも厳密な予測セットを生成可能であることを示した。 合成データセットと実データセットの数値実験により,提案手法の有効性が示された。

関連論文リスト

• PAC-DP: Personalized Adaptive Clipping for Differentially Private Federated Learning [16.9867659381048]
  PAC-DPは、連邦学習のためのパーソナライズされたAdaptive Clippingフレームワークである。 我々は,PAC-DPが,プライバシー予算に適合する従来の固定閾値アプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2026-03-25T07:06:33Z)
• Reliable Hierarchical Operating System Fingerprinting via Conformal Prediction [62.40452053128524]
  コンフォーマル予測(CP)は、既存の手法にラップして、保証されたカバレッジで予測セットを得ることができる。 この研究は、2つの異なる構造化CP戦略を導入し評価することで、これらの制限に対処する。 どちらの手法も妥当性を保証するが、レベルワイド効率と構造的整合性の間には根本的なトレードオフがある。
  論文  参考訳（メタデータ） (2026-02-13T11:20:48Z)
• Quantifying Epistemic Predictive Uncertainty in Conformal Prediction [11.09458914721516]
  本研究では,複数の予測モデルが存在することにより,予測時に直面する不確実性を定量化する問題について検討する。 軽微な仮定の下で、任意の完全共形予測手順が閉かつ凸な予測分布の集合を誘導することを示す最近の結果に基づいて構築する。 本研究では,その不確かさを定量化するために,emphMaximum Mean Imprecisionに基づく計算効率が高く,解析的に抽出可能な不確実性尺度を提案する。
  論文  参考訳（メタデータ） (2026-02-02T05:38:07Z)
• Differentially Private Conformal Prediction via Quantile Binary Search [0.0]
  我々は、P-COQS(Quantile Search)を介してプライベート・コンフォーマルティ(Private Conformity)と呼ぶ一般のDP手法を提案する。 提案手法は,CP のキャリブレーションフェーズにおけるDP量子化の計算に,既存のランダム化二値探索アルゴリズムを適用し,それに伴う予測セットのプライバシを保証する。 我々は,従来の代替手段と比較して,プライバシーノイズ,サンプルサイズ,重要度がアプローチの性能に与える影響について広範な実験を行った。
  論文  参考訳（メタデータ） (2025-07-15T22:08:02Z)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
  本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。 非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)
• Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
  非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。 当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
  論文  参考訳（メタデータ） (2024-03-19T17:54:49Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• 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)

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。