論文の概要: Differentially Private Sampling from Distributions via Wasserstein Projection
- arxiv url: http://arxiv.org/abs/2605.10015v1
- Date: Mon, 11 May 2026 05:40:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.551432
- Title: Differentially Private Sampling from Distributions via Wasserstein Projection
- Title（参考訳）: ワッサースタイン射影による分布からの微分プライベートサンプリング
- Authors: Shokichi Takakura, Seng Pei Liew, Satoshi Hasegawa,
- Abstract要約: We developed a novel framework for DP sample with Wasserstein distance as the utility measure。
本稿では、ワッサースタイン射影に基づく最小限の最適機構であるワッサースタイン射影機構(WPM)を提案する。
- 参考スコア（独自算出の注目度）: 5.026439970933249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the problem of sampling from a distribution under the constraint of differential privacy (DP). Prior works measure the utility of DP sampling with density ratio-based measures such as KL divergence. However, such formulations suffer from two key limitations: 1) they fail to capture the geometric structure of the support, and 2) they are not applicable when the supports of the distributions differ. To deal with these issues, we develop a novel framework for DP sampling with Wasserstein distance as the utility measure. In this formulation, we propose Wasserstein Projection Mechanism (WPM), a minimax optimal mechanism based on Wasserstein projection. Furthermore, we develop efficient algorithms for computing the proposed mechanisms approximately and provide convergence guarantees.
- Abstract（参考訳）: 本稿では,差分プライバシ(DP)の制約の下で分布からサンプリングする問題について検討する。
先行研究は、KL分散のような密度比に基づく測定でDPサンプリングの有用性を測定する。
しかし、そのような定式化には2つの重要な制限がある。
1)支持体の幾何学的構造の把握に失敗し、
2)分布の支持が異なる場合には適用できない。
これらの問題に対処するため,我々はワッサースタイン距離を有効指標としたDPサンプリングのための新しいフレームワークを開発した。
この定式化では、ワッサーシュタイン射影に基づく極小極小最適機構であるワッサーシュタイン射影機構(WPM)を提案する。
さらに,提案手法を概略計算するための効率的なアルゴリズムを開発し,収束保証を提供する。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。
本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。
1つの応用は、堅牢な生成拡散モデルの開発である。
論文 参考訳（メタデータ） (2024-03-04T04:10:24Z) - Decentralized Entropic Optimal Transport for Distributed Distribution Comparison [28.122302344024387]
本稿では,通信効率とプライバシ保護を両立させる分散型エントロピー最適輸送(DEOT)手法を提案する。
特に,DOT距離を2倍に最適化するミニバッチランダム化ブロック座標降下法を設計する。
提案手法は,エントロピックなGromov-Wasserstein距離にも適用可能であることを示す。
論文 参考訳（メタデータ） (2023-01-28T02:47:42Z) - Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。
本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。
可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文 参考訳（メタデータ） (2022-09-26T16:41:16Z) - Differentially Private Sliced Wasserstein Distance [5.330240017302619]
差分プライバシ(DP)フレームワーク下での分散の分散を計算する観点を考察する。
Sliced Wasserstein Distance に焦点をあてて,DP の勾配型衛生法に代えて根本問題に取り組む。
論文 参考訳（メタデータ） (2021-07-05T08:06:02Z) - Two-sample Test using Projected Wasserstein Distance [18.46110328123008]
統計学と機械学習の基本的な問題である2サンプルテストのための予測されたワッサースタイン距離を開発する。
重要な貢献は、投影された確率分布の間のワッサーシュタイン距離を最大化する低次元線型写像を見つけるために最適射影を結合することである。
論文 参考訳（メタデータ） (2020-10-22T18:08:58Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳（メタデータ） (2020-06-22T14:35:33Z)
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。