論文の概要: Preventing overfitting in deep learning using differential privacy

• arxiv url: http://arxiv.org/abs/2604.16334v1
• Date: Thu, 12 Mar 2026 22:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.899034
• Title: Preventing overfitting in deep learning using differential privacy
• Title（参考訳）: 差分プライバシーを用いたディープラーニングにおける過度適合防止
• Authors: Alizishaan Anwar Hussein Khatri,
• Abstract要約: 現実世界におけるディープニューラルネットワークベースのシステムの利用が増加している。 彼らは多くの画像、音声、テキストデータセットで最先端のパフォーマンスを達成した。 トレーニングセットの騒音を学習するのに脆弱な二重刃の剣で、性能に悪影響を及ぼす。 本研究では,Deep Neural Networksにおける一般化向上のための差分プライバシに基づくアプローチについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of Deep Neural Network based systems in the real world is growing. They have achieved state-of-the-art performance on many image, speech and text datasets. They have been shown to be powerful systems that are capable of learning detailed relationships and abstractions from the data. This is a double-edged sword which makes such systems vulnerable to learning the noise in the training set, thereby negatively impacting performance. This is also known as the problem of \emph{overfitting} or \emph{poor generalization}. In a practical setting, analysts typically have limited data to build models that must generalize to unseen data. In this work, we explore the use of a differential-privacy based approach to improve generalization in Deep Neural Networks.
• Abstract（参考訳）: 現実世界におけるディープニューラルネットワークベースのシステムの利用が増加している。 彼らは多くの画像、音声、テキストデータセットで最先端のパフォーマンスを達成した。 データから詳細な関係や抽象化を学習できる強力なシステムであることが示されている。 これは、訓練セットの騒音を学習しやすくし、性能に悪影響を及ぼす二重刃の剣である。 これは \emph{overfitting} や \emph{poor generalization} の問題としても知られている。 現実的な環境では、アナリストは通常、目に見えないデータに一般化する必要があるモデルを構築するために限られたデータを持っています。 本研究では,Deep Neural Networksにおける一般化向上のための差分プライバシに基づくアプローチについて検討する。

関連論文リスト

• On Local Overfitting and Forgetting in Deep Neural Networks [6.7864586321550595]
  本稿では,検証データ上での深部モデルの忘れ率を推定する新しいスコアを提案する。 従来のオーバーフィッティングの有無にかかわらず,局所的なオーバーフィッティングが発生することを示す。 我々は,1つのネットワークのトレーニング履歴にのみ依存して,忘れられた知識を回復することを目的とした,新たなアンサンブル手法を考案した。
  論文  参考訳（メタデータ） (2024-12-17T14:53:38Z)
• Breaking the Curse of Dimensionality in Deep Neural Networks by Learning Invariant Representations [1.9580473532948401]
  この論文は、これらのモデルのアーキテクチャとそれらが処理するデータ内の固有の構造との関係を研究することによって、ディープラーニングの理論的基礎を探求する。 ディープラーニングアルゴリズムの有効性を駆動するものは何か,いわゆる次元の呪いに勝てるのか,と問う。 本手法は,実験的な研究と物理に触発された玩具モデルを組み合わせることによって,深層学習に実証的なアプローチをとる。
  論文  参考訳（メタデータ） (2023-10-24T19:50:41Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。