Fugu-MT 論文翻訳(概要): Byzantine-Robust Distributed Sparse Learning Revisited

論文の概要: Byzantine-Robust Distributed Sparse Learning Revisited

arxiv url: http://arxiv.org/abs/2605.13283v1
Date: Wed, 13 May 2026 10:00:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-14 23:30:27.965577
Title: Byzantine-Robust Distributed Sparse Learning Revisited
Title（参考訳）: Byzantine-Robust分散スパース学習の再検討
Authors: Yuxuan Wang, Lixin Zhang, Kangqiang Li,
Abstract要約: 我々は高次元スパース線形モデルに対するビザンチン頑健分布推定を再検討する。その結果,非漸近的保証が得られ,ほぼ最適統計率が得られることがわかった。
参考スコア（独自算出の注目度）: 5.783505125443173
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We revisit Byzantine robust distributed estimation for high-dimensional sparse linear models. By combining local $\ell_1$-regularized robust estimation with robust aggregation at the server, the framework applies to pseudo-Huber regression, quantile regression, and sparse SVM. We show that the resulting estimators yield non-asymptotic guarantees and attain near-optimal statistical rates under mild conditions, while remaining communication-efficient. Simulations confirm strong robustness in estimation, support recovery and classification accuracy under various Byzantine attacks.
Abstract（参考訳）: 我々は高次元スパース線形モデルに対するビザンチン頑健分布推定を再検討する。ローカル$\ell_1$-regularizedのロバスト評価とサーバでのロバストアグリゲーションを組み合わせることで、このフレームワークは擬似Huberレグレッション、量子レグレッション、スパースSVMに適用できる。得られた推定器は, 通信効率を保ちながら, 非漸近的保証を得られ, 温和な条件下では準最適統計率が得られることを示す。シミュレーションでは、様々なビザンツ攻撃による推定、支援回復、分類精度の強い堅牢性が確認されている。

関連論文リスト

Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文参考訳（メタデータ） (2026-03-23T17:14:11Z)
$V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2026-03-11T14:57:41Z)
Statistical Robustness of Interval CVaR Based Regression Models under Perturbation and Contamination [1.578201299411112]
いわゆる区間条件値-at-risk(In-CVaR)に基づく頑健な非線形回帰に対処する。我々は汚染下でのロバスト性を厳密に定量化し、広範囲の回帰モデルに対する分布分解点を統一的に研究した。 In-CVaRに基づく推定器は、損失の最大部分がトリミングされている場合に限り、Prokhorov測定の点で質的に頑健であることを示す。
論文参考訳（メタデータ） (2026-01-16T16:41:57Z)
Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness [10.470114319701576]
本研究では,スムーズな非パラメトリック回帰推定器のためのモデルフリーデバイアス法を提案する。緩やかな条件下で, 点方向および均一なリスク収束と滑らかさを満足する偏バイアス推定器を得る。
論文参考訳（メタデータ） (2024-12-28T15:01:19Z)
Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文参考訳（メタデータ） (2024-07-11T13:28:34Z)
Doubly Robust Inference in Causal Latent Factor Models [12.116813197164047]
本稿では、多数の単位と結果を含む現代データ豊富な環境において、観測不能なコンファウンディングの下での平均処理効果を推定する新しい手法を提案する。有限サンプル重み付けと保証を導出し、新しい推定器の誤差がパラメトリック速度で平均ゼロガウス分布に収束することを示す。
論文参考訳（メタデータ） (2024-02-18T17:13:46Z)
Non-Asymptotic Guarantees for Robust Statistical Learning under $(1+\varepsilon)$-th Moment Assumption [0.716879432974126]
本稿では,統計レグレッションの多種族を対象としたログトランケート型M-メチエータを提案する。標準推定よりもログトランケート推定の方が優れていることを示す。
論文参考訳（メタデータ） (2022-01-10T06:22:30Z)
Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文参考訳（メタデータ） (2021-08-25T21:30:27Z)
$\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文参考訳（メタデータ） (2020-06-13T06:09:27Z)
Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。