Fugu-MT 論文翻訳(概要): PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution

論文の概要: PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution

arxiv url: http://arxiv.org/abs/2606.00342v1
Date: Fri, 29 May 2026 20:30:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.301534
Title: PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution
Title（参考訳）: PE-means: プライベートな進化を通じて異なるプライベートな$k$-meansクラスタリングを改善した
Abstract要約: プライベート進化アルゴリズムの拡張であるPE-meansを$k$-meansクラスタリングの問題に導入する。全体として、PE平均は、最先端のベースラインよりも20%のクラスタリング損失を平均的に改善する。
参考スコア（独自算出の注目度）: 10.212011699600778
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the problem of differentially private (DP) $k$-means clustering in Euclidean space. Previous solutions rely on summing the private data directly, which induces a sensitivity proportional to the domain. We introduce PE-means, an extension of the private evolution (PE) algorithm (an increasingly popular method for synthetic data generation), to the problem of $k$-means clustering. The key advantage of PE is that it only computes a private histogram with constant sensitivity to guide the evolution. Our adaptation of PE includes new evolutionary operators for clustering, as well as other algorithmic improvements of independent interest. Overall, PE-means achieves an average improvement of 20% in clustering loss over state-of-the-art baselines.
Abstract（参考訳）: ユークリッド空間における差分プライベート(DP)$k$-meansクラスタリングの問題について検討する。従来のソリューションは、ドメインに比例した感度を誘導するプライベートデータを直接まとめることに依存していた。 PE(Private Evolution)アルゴリズムの拡張であるPE-meansを,$k$-meansクラスタリングの問題に導入する。 PEの主な利点は、進化を導くために一定の感度でプライベートヒストグラムのみを計算することである。 PEの適応には、クラスタリングのための新しい進化的演算子や、他のアルゴリズムによる独立した関心の改善が含まれる。全体として、PE平均は、最先端のベースラインよりも20%のクラスタリング損失を平均的に改善する。

関連論文リスト

Online Differentially Private Consistent Clustering [75.99116543456606]
オンラインストリーミング環境における差分プライベート(DP)$k$-meansと$k$-medianクラスタリングについて検討した。入力ストリームの半コアセットであるプライベートストリームに(感性)入力ストリームを変換する汎用的なリダクションを与える。
論文参考訳（メタデータ） (2026-08-28T04:03:01Z)
Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning [52.452902154360565]
SHOPCA (Shape Operator-based principal Component Analysis) は、教師なしメトリック学習と次元減少のための新しい手法である。我々は、50以上の実世界のベンチマークデータセット上でSHOPCAを評価する。
論文参考訳（メタデータ） (2026-08-15T16:37:47Z)
On the Optimal Number of Grids for Differentially Private Non-Interactive $K$-Means Clustering [4.840369931441299]
K$-meansクラスタリングにより、データセットから派生したクラスタセンターを解放し、個人のプライバシを保護することが可能になる。そこで本稿では,K平均目的関数における期待偏差の上限を最小化して導出したグリッドサイズ選択則を提案する。グリッドの解像度は、クラスタの数に依存することと、データセットのサイズとプライバシ予算によるスケーリングの両方で異なります。
論文参考訳（メタデータ） (2026-03-27T20:10:59Z)
Decentralized Differentially Private Power Method [4.58112062523768]
ネットワーク化されたマルチエージェント設定において主成分分析(PCA)を行うための分散分散微分プライベート・パワー・メソッド(D-DP-PM)を提案する。本手法は,ネットワーク全体の固有ベクトルを協調的に推定しながら,$(epsilon,delta)$-Differential Privacy (DP)を保証する。実世界のデータセット実験により、D-DP-PMは、単純で局所的なDPアプローチに比べて、優れたプライバシーとユーティリティのトレードオフを実現することが示された。
論文参考訳（メタデータ） (2025-07-30T17:15:50Z)
Differentially Private Federated $k$-Means Clustering with Server-Side Data [19.962475029447127]
FedDP-KMeansは$k$-meansクラスタリングのためのアルゴリズムで、完全なフェデレーションと差分プライベートである。提案アルゴリズムは,合成および実世界のベンチマークタスクにおいて優れた結果が得られる。
論文参考訳（メタデータ） (2025-06-04T14:53:25Z)
Smoothed Normalization for Efficient Distributed Private Optimization [54.197255548244705]
フェデレートされた学習は、参加者のプライバシを備えた機械学習モデルを可能にする。トレーニングやフィードバックのない問題に対して、差分にプライベートな分散手法は存在しない。証明可能な収束保証付き分散アルゴリズム$alpha$-$sf NormEC$を導入する。
論文参考訳（メタデータ） (2025-02-19T07:10:32Z)
Adversarial Reweighting with $α$-Power Maximization for Domain Adaptation [56.859005008344276]
我々は、$alpha$-Power Maximization (ARPM) を用いたAdversarial Reweightingと呼ばれる新しいアプローチを提案する。本稿では,ソースプライマリなクラスサンプルを特定するために,逆向きにソースドメインデータを再重み付けすることを学習する,新しい逆方向再重み付けモデルを提案する。提案手法は最近のPDA法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-04-26T09:29:55Z)
k-Means SubClustering: A Differentially Private Algorithm with Improved Clustering Quality [0.0]
個人プライバシを推論攻撃から保護するために、対話的な設定で多くの微分プライベートな反復アルゴリズムが提案されている。本研究は,従来の「分別的k-平均クラスタリングと収束保証」の取り組みをベースラインとして拡張する。提案手法の新規性は,クラスタをサブクラスタ化して,将来のセントロイド方向に移動する確率の高いセントロイドを選択することである。
論文参考訳（メタデータ） (2023-01-07T17:07:12Z)
Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文参考訳（メタデータ） (2022-01-31T20:58:47Z)
Differentially-Private Clustering of Easy Instances [67.04951703461657]
異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-29T08:13:56Z)
Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文参考訳（メタデータ） (2020-10-23T10:35:35Z)
Private Stochastic Non-Convex Optimization: Adaptive Algorithms and Tighter Generalization Bounds [72.63031036770425]
有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
論文参考訳（メタデータ） (2020-06-24T06:01:24Z)

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。