論文の概要: Enhancing Differentially Private Mechanisms via Empirical Bayes

• arxiv url: http://arxiv.org/abs/2606.21107v1
• Date: Fri, 19 Jun 2026 05:21:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:17:29.919618
• Title: Enhancing Differentially Private Mechanisms via Empirical Bayes
• Title（参考訳）: 経験的ベイズによる異種私的メカニズムの強化
• Authors: Minwoo Kim, Junyong Park, Sungkyu Jung,
• Abstract要約: 本稿では,単純な加法的ガウス機構の出力を復調することに着目した新しい手法を提案する。 経験的ベイズ手法はガウス機構の出力を入力とするだけで平均二乗誤差を低減できることを強調した。 数値解析により, この単純かつ強力な手法が, 様々な統計的問題の改善に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.721259155518291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential privacy (DP) has become the gold standard for ensuring the privacy protection of machine learning and statistical algorithms in recent decades. A plethora of algorithms and methods have been developed to enhance the utility of DP algorithms while maintaining the same level of DP. However, these are often overly complex or computationally ineffective. We propose a novel approach focusing on denoising the output of the simple additive Gaussian mechanism by adopting the idea of \textit{empirical Bayes estimation}. We highlight that the empirical Bayes approach can reduce the mean-squared error solely by taking the output of the Gaussian mechanism as input. Our numerical studies show that this simple yet powerful approach can be applied to improve upon various statistical problems, including histogram release, principal component analysis, and linear regression, often outperforming existing private algorithms.
• Abstract（参考訳）: 微分プライバシー(DP)は、機械学習と統計アルゴリズムのプライバシー保護を保証するための金の標準となっている。 同レベルのDPを維持しつつ,DPアルゴリズムの有用性を高めるために,多数のアルゴリズムと手法が開発されている。 しかし、これらは複雑すぎるか計算的に非効率であることが多い。 本稿では, 単純加法ガウス機構の出力を, \textit{empirical Bayes Estimation} の考え方を取り入れた新しい手法を提案する。 経験的ベイズ手法はガウス機構の出力を入力とするだけで平均二乗誤差を低減できることを強調した。 数値解析により, この単純かつ強力な手法は, ヒストグラムのリリース, 主成分分析, 線形回帰など, 様々な統計的問題を改善するために応用できることが示唆された。

関連論文リスト

• Optimal differentially private kernel learning with random projection [2.048226951354646]
  ガウス過程を用いた再生カーネルヒルベルト空間におけるランダムプロジェクションに基づく新しい微分プライベートカーネルERMアルゴリズムを提案する。 本手法は,2乗損失とリプシッツ・スムース凸損失関数の双方に対して,極小最大超過リスクを実現する。 代替次元低減技術に基づく既存手法は、最適以下の性能を得る。
  論文  参考訳（メタデータ） (2025-07-23T14:20:46Z)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Differentially Private Random Feature Model [47.35176457481132]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood [2.312692134587988]
  連続時間(生死)および離散時間(可逆ジャンプ)マルコフ連鎖モンテカルロ(MCMC)アルゴリズムを開発し、グラフ空間の後方を効率的に探索する。 アルゴリズムは巨大なグラフ空間にスケールし、1000以上のノードを持つグラフの並列探索を可能にする。
  論文  参考訳（メタデータ） (2023-06-30T20:37:40Z)
• Privacy Induces Robustness: Information-Computation Gaps and Sparse Mean Estimation [8.9598796481325]
  本稿では, アルゴリズムと計算複雑性の両面において, 異なる統計問題に対する観測結果について検討する。 プライベートスパース平均推定のための情報計算ギャップを確立する。 また、プライバシーによって引き起こされる情報計算のギャップを、いくつかの統計や学習問題に対して証明する。
  論文  参考訳（メタデータ） (2022-11-01T20:03:41Z)
• Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
  現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。 本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
  論文  参考訳（メタデータ） (2022-09-09T08:54:13Z)

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。