論文の概要: Optimal Rates for Differentially Private Hypothesis Testing with E-values

• arxiv url: http://arxiv.org/abs/2605.28952v1
• Date: Wed, 27 May 2026 18:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.930257
• Title: Optimal Rates for Differentially Private Hypothesis Testing with E-values
• Title（参考訳）: E値を用いた個人差分仮説検定のための最適速度
• Authors: Ben Jacobsen, Tomas Gonzales, Gavin Brown, Kassem Fawaz, Aaditya Ramdas,
• Abstract要約: Xsim mathbbPn$ to $XsimmathbbQn$ with e-values with $varepsilon$-differential privacy? この問題に対して最適な速度を特徴付け、正確に一致するアルゴリズムを提供する。 逐次設定では、観測が1対1に到達し、アナリストがいつ停止するかを選択すると、停止時間に一致する上下境界を与える。
• 参考スコア（独自算出の注目度）: 38.69101315030117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-values have attracted considerable interest in recent years as flexible tools for enabling anytime-valid and adaptive data analysis. Hypothesis testing is at the core of many of these applications, which can often involve private or sensitive data. In this work, we answer a simple but important question: given two distributions $\mathbb{P}$ and $\mathbb{Q}$, what is the maximum achievable e-power when testing $X\sim \mathbb{P}^n$ against $X\sim\mathbb{Q}^n$ with e-values that satisfy $\varepsilon$-differential privacy? We characterize the optimal rate for this problem and provide an algorithm which matches it exactly. In the sequential setting, when observations arrive one-by-one and the analyst chooses when to halt, we give matching upper and lower bounds on the stopping times of any private e-process. Numerical experiments confirm the practicality of our algorithms, which require less data than the recently proposed DP-SPRT across a range of sequential testing problems and privacy levels.
• Abstract（参考訳）: 近年のe-valuesは、任意の有益かつ適応的なデータ分析を可能にする柔軟なツールとして、かなりの関心を集めている。 仮説テストは多くのアプリケーションの中核であり、多くの場合、プライベートまたはセンシティブなデータを含む。 2つのディストリビューションが$\mathbb{P}$と$\mathbb{Q}$を与えられたとき、$X\sim \mathbb{P}^n$対$X\sim\mathbb{Q}^n$に対して、$\varepsilon$-differential privacyを満たすe値を持つ最大達成可能なEパワーは何か? この問題に対して最適な速度を特徴付け、正確に一致するアルゴリズムを提供する。 シーケンシャルな設定では、観測が1対1に到達し、アナリストがいつ停止するかを選択すると、任意のプライベートな電子プロセスの停止時間に一致する上下境界を与える。 数値実験により,最近提案されたDP-SPRTよりも少ないデータを必要とするアルゴリズムの実用性が確認された。

関連論文リスト

• Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
  基本的で長期にわたる課題は、その効率的な近似である。 一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。 本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T16:38:14Z)
• Minimax optimal differentially private synthetic data for smooth queries [6.093338631816647]
  ハイパーキューブでサポートされたサイズ$n$のデータセットから、$(varepsilon,)$-differentially privateな合成データを生成する問題について検討する。 我々は、$n-min 1, frackd$のミニマックス誤差率を$log(n)$ factorまで提案する。
  論文  参考訳（メタデータ） (2026-02-02T03:54:11Z)
• Optimized Tradeoffs for Private Prediction with Majority Ensembling [59.99331405291337]
  本稿では,データ依存型ランダム化応答行列(DaRRM)アルゴリズムを提案する。 DaRRMはデータ依存ノイズ関数$gamma$でパラメータ化され、全てのプライベートアルゴリズムのクラスに対して効率的なユーティリティ最適化を可能にする。 本稿では,DARRMが共通ベースラインよりも2倍のプライバシゲインを,固定ユーティリティで確実に享受していることを示す。
  論文  参考訳（メタデータ） (2024-11-27T00:48:48Z)
• On Differentially Private U Statistics [25.683071759227293]
  局所的なH'ajekプロジェクションを用いて、データの異なる部分集合を再重み付けする新しいしきい値に基づくアプローチを提案する。 これは、非退化U統計に対してほぼ最適なプライベート誤差をもたらし、退化U統計に対してほぼ最適であることを示す強い指標となる。
  論文  参考訳（メタデータ） (2024-07-06T03:27:14Z)
• On the Complexity of Differentially Private Best-Arm Identification with Fixed Confidence [16.295693624977563]
  我々は、$epsilon$-global Differential Privacyの下で、信頼度を固定したベストアーム識別の問題について検討する。 われわれの限界は、プライバシー予算によって2つのプライバシー体制が存在することを示唆している。 我々はトップ2アルゴリズムの$epsilon$-global DP変種であるAdaP-TTを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:07:25Z)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis Testing: A Lesson From Fano [83.5933307263932]
  本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。 基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
  論文  参考訳（メタデータ） (2022-10-24T23:50:12Z)
• Adaptive Private-K-Selection with Adaptive K and Application to Multi-label PATE [19.344510696808282]
  我々は、差分的にプライベートなトップ$k$選択のためのエンドツーエンドのRenyi DPベースのフレームワークを提供する。 提案手法は,従来のトップ$選択アルゴリズムと比較して,プライバシとユーティリティのトレードオフを改善していることを示す。
  論文  参考訳（メタデータ） (2022-03-30T07:11:01Z)

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。