論文の概要: General Lower Bounds for Differentially Private Federated Learning with Arbitrary Public-Transcript Interactions
- arxiv url: http://arxiv.org/abs/2605.19813v1
- Date: Tue, 19 May 2026 13:09:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.359144
- Title: General Lower Bounds for Differentially Private Federated Learning with Arbitrary Public-Transcript Interactions
- Title（参考訳）: 任意なパブリック・トランスクリプトインタラクションによる個人差分学習のための一般下界
- Authors: Yicheng Li,
- Abstract要約: 我々は、任意の公開-転写相互作用を持つ差分プライベートなフェデレーション学習プロトコルに対して、一般に低い境界を証明した。
正方形(エル)損失下でのパラメータ推定には、全クライアント単位の差分プライバシー(zCDP)制約を満たす全ての推定器に対して、フェデレーション付きバンツリーを低く設定する。
- 参考スコア（独自算出の注目度）: 23.86690509697607
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We prove a general lower bound for differentially private federated learning protocols with arbitrary public-transcript interactions. The protocol may use any number of adaptive rounds, and each client's local samples may be reused across rounds. For parameter estimation under squared \(\ell_2\) loss, we establish a federated van Trees lower bound for every estimator satisfying a total clientwise sample-level zero-concentrated differential privacy (zCDP) constraint. The main technical ingredient is a privacy-information contraction inequality for complete public transcripts. We illustrate the bound through applications to mean estimation, linear regression, and nonparametric regression.
- Abstract（参考訳）: 我々は、任意の公開-転写相互作用を持つ差分プライベート・フェデレーション学習プロトコルに対して、一般に低い境界を証明した。
プロトコルは任意の数の適応ラウンドを使用することができ、各クライアントのローカルサンプルはラウンド全体で再利用することができる。
正方形 \(\ell_2\) 損失下でのパラメータ推定には、全クライアントレベルのゼロ集中差分プライバシー(zCDP)制約を満たす全ての推定器に対して、フェデレートされたバンツリーを下限に設定する。
主要な技術要素は、完全な公開書面のプライバシー-情報契約の不平等である。
我々は、平均推定、線形回帰、非パラメトリック回帰に対するアプリケーションを通してのバウンダリについて説明する。
関連論文リスト
- Handling Covariate Mismatch in Federated Linear Prediction [2.5782420501870296]
フェデレートラーニングは、生データを共有せずに予測モデルを協調的に訓練することを可能にする。
ほとんどの既存のメソッドは、すべてのクライアントが同じ機能を計測していると仮定します。
クライアントワイズMCARパターンの下で線形予測を形式化し、2つのモジュラーアプローチを開発する。
論文 参考訳（メタデータ） (2026-02-02T13:29:36Z) - Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression [66.93988594607842]
プライバシー制約の下では、プライベート線形回帰の複雑さは通常の共分散行列によって捉えられる。
最適率を達成するための情報重み付け回帰手法を提案する。
特に、我々の結果は、共同プライバシーは追加費用がほとんどないことを示している。
論文 参考訳（メタデータ） (2025-02-18T18:35:24Z) - Optimal Federated Learning for Nonparametric Regression with Heterogeneous Distributed Differential Privacy Constraints [5.3595271893779906]
本研究では,異なるサーバにまたがる分散サンプルのコンテキストにおける非パラメトリック回帰のためのフェデレーション学習について検討した。
統計の正確さとプライバシーの保護のトレードオフに光を当てている。
論文 参考訳（メタデータ） (2024-06-10T19:34:07Z) - Federated Nonparametric Hypothesis Testing with Differential Privacy Constraints: Optimal Rates and Adaptive Tests [5.3595271893779906]
フェデレート学習は、さまざまな場所でデータが収集され分析される広範囲な設定で適用可能であることから、近年大きな注目を集めている。
分散差分プライバシー(DP)制約下でのホワイトノイズ・ウィズ・ドリフトモデルにおける非パラメトリック適合性試験について検討した。
論文 参考訳（メタデータ） (2024-06-10T19:25:19Z) - FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。
公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。
提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
論文 参考訳（メタデータ） (2023-02-02T12:56:46Z) - Generalized PTR: User-Friendly Recipes for Data-Adaptive Algorithms with
Differential Privacy [16.374676154278614]
「PTR」(Propose-Test-Release)は、微分プライベート(DP)アルゴリズムを設計するための古典的なレシピである。
PTRは、ローカルな感度よりも、データ依存のプライバシー損失をプライベートにテストすることで、より一般的な設定に拡張します。
論文 参考訳（メタデータ） (2022-12-31T22:22:53Z) - Differentially-Private Bayes Consistency [70.92545332158217]
差分プライバシー(DP)を満たすベイズ一貫した学習ルールを構築する。
ほぼ最適なサンプル複雑性を持つ半教師付き環境で,任意のVCクラスをプライベートに学習できることを実証する。
論文 参考訳（メタデータ） (2022-12-08T11:57:30Z) - Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。
データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。
ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
論文 参考訳（メタデータ） (2022-11-02T16:39:42Z) - Private Federated Learning Without a Trusted Server: Optimal Algorithms for Convex Losses [14.040676498310198]
シリコン間記録レベル差分プライバシー(ISRL-DP)
シリコン間記録レベル差分プライバシー(ISRL-DP)
論文 参考訳（メタデータ） (2021-06-17T19:41:23Z) - Universal Off-Policy Evaluation [64.02853483874334]
ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す
我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
論文 参考訳（メタデータ） (2021-04-26T18:54:31Z)
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。