論文の概要: Privacy, Prediction, and Allocation

• arxiv url: http://arxiv.org/abs/2604.15596v1
• Date: Fri, 17 Apr 2026 00:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.687009
• Title: Privacy, Prediction, and Allocation
• Title（参考訳）: プライバシ、予測、アロケーション
• Authors: Ben Jacobsen, Nitin Kohli,
• Abstract要約: プライバシとターゲティングレベルを満たす援助割当システムについて検討する。 我々は、プライバシ、効率、アロケーションの精度の目標とのトレードオフを特徴付ける、クリーンで解釈可能なバウンダリを提供します。
• 参考スコア（独自算出の注目度）: 1.0885910878567455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic predictions are increasingly used to inform the allocation of scarce resources. The promise of these methods is that, through machine learning, they can better identify the people who would benefit most from interventions. Recently, however, several works have called this assumption into question by demonstrating the existence of settings where simple, unit-level allocation strategies can meet or even exceed the performance of those based on individual-level targeting. Separately, other works have objected to individual-level targeting on privacy grounds, leading to an unusual situation where a single solution, unit-level targeting, is recommended for reasons of both privacy and utility. Motivated by the desire to fully understand the interplay of privacy and targeting levels, we initiate the study of aid allocation systems that satisfy differential privacy, synthesizing existing works on private optimization with the economic models of aid allocation used in the non-private literature. To this end, we investigate private variants of both individual and unit-level allocation strategies in both stochastic and distribution-free settings under a range of constraints on data availability. Through this analysis, we provide clean, interpretable bounds characterizing the tradeoffs between privacy, efficiency, and targeting precision in allocation.
• Abstract（参考訳）: アルゴリズム予測は、不足するリソースの割り当てを知らせるために、ますます使われています。 これらの手法の約束は、機械学習によって、介入から最も恩恵を受ける人々を特定することができることである。 しかし、近年、この仮定を疑問視する研究がいくつかあり、単純な単位レベルのアロケーション戦略が個人レベルのターゲティングに基づいて達成または達成できるような設定の存在を実証している。 プライバシとユーティリティの両方の理由から、単一のソリューションである単位レベルのターゲティングが推奨されるという異常な状況に繋がる。 プライバシとターゲティングレベルの相互作用を十分に理解したいという願望から、我々は、差分プライバシを満たす援助割当システムの研究を開始し、非民間文献における援助割当の経済モデルを用いて、民間最適化に関する既存の作業を合成する。 そこで本研究では,データの可用性に制約のある確率的・非分布的設定において,個人レベルの割り当て方略と単位レベルの割り当て方略のプライベートなバリエーションについて検討する。 この分析を通じて、プライバシ、効率、アロケーションの精度の目標とのトレードオフを特徴付ける、クリーンで解釈可能なバウンダリを提供する。

関連論文リスト

• Optimal Federated Learning for Functional Mean Estimation under Heterogeneous Privacy Constraints [1.3654846342364308]
  Federated Learning(FL)は、データのプライバシとセキュリティを保護するために設計された分散機械学習技術である。 本稿では,フェデレーション環境での離散サンプリングデータからの最適関数平均推定の問題に対処する。
  論文  参考訳（メタデータ） (2024-12-25T22:06:12Z)
• 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)
• Private Optimal Inventory Policy Learning for Feature-based Newsvendor with Unknown Demand [13.594765018457904]
  本稿では, f-differential privacy framework内で, プライバシ保護に最適な在庫ポリシーを推定するための新しいアプローチを提案する。 最適在庫推定のための畳み込み平滑化に基づくクリップ付き雑音勾配降下アルゴリズムを開発した。 提案手法は,コストを極端に増大させることなく,望ましいプライバシー保護を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-04-23T19:15:43Z)
• Adaptive Privacy Composition for Accuracy-first Mechanisms [55.53725113597539]
  ノイズ低減機構はますます正確な答えを生み出す。 アナリストは、公表された最も騒々しい、あるいは最も正確な回答のプライバシー費用のみを支払う。 ポスト前のプライベートメカニズムがどのように構成されるかは、まだ研究されていない。 我々は、分析者が微分プライベートとポストプライベートのメカニズムを適応的に切り替えることのできるプライバシーフィルタを開発した。
  論文  参考訳（メタデータ） (2023-06-24T00:33:34Z)
• Training Private Models That Know What They Don't Know [40.19666295972155]
  いくつかの一般的な選択的予測手法は、差分的にプライベートな環境では効果がないことがわかった。 モデルユーティリティレベルを越えた選択予測性能を分離する新しい評価機構を提案する。
  論文  参考訳（メタデータ） (2023-05-28T12:20:07Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Private Domain Adaptation from a Public Source [48.83724068578305]
  我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。 我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
  論文  参考訳（メタデータ） (2022-08-12T06:52:55Z)
• 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)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)
• Differential Privacy of Hierarchical Census Data: An Optimization Approach [53.29035917495491]
  国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。 最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。 本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
  論文  参考訳（メタデータ） (2020-06-28T18:19:55Z)

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。