Fugu-MT 論文翻訳(概要): Fast and Private Max-Sum Diversification

論文の概要: Fast and Private Max-Sum Diversification

arxiv url: http://arxiv.org/abs/2607.17196v1
Date: Sun, 19 Jul 2026 11:33:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.390491
Title: Fast and Private Max-Sum Diversification
Title（参考訳）: 高速かつプライベートなMax-Sumの多様化
Abstract要約: 実世界のデータセットに対する実験的評価は、提案手法が強力なプライバシー保証の下でも、非プライベートベースラインに匹敵する実用性を達成することを示した。提案アルゴリズムは既存の非プライベートな手法よりも高速であり、非プライベートな設定でも魅力的である。
参考スコア（独自算出の注目度）: 6.345340156849189
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Result diversification is crucial for generating informative, non-redundant data summaries and query outputs. Although its various formulations have been extensively studied across an array of data-driven disciplines, existing methods fail to address the privacy concerns that arise when the underlying data is sensitive. In this work, we initiate the study of result diversification under differential privacy, focusing on the max-sum diversification (MSD) problem, a widely adopted model with the objective of maximizing a linear combination of a submodular function, quantifying relevance, and the sum of pairwise distances between selected items, quantifying diversity. We propose differentially private algorithms for MSD under both cardinality and matroid constraints, achieving nearly optimal utility guarantees. At the same time, we design more efficient algorithms that maintain strong guarantees. Notably, the proposed algorithms are faster than existing non-private methods, making them appealing even in non-private settings. Experimental evaluations on real-world datasets demonstrate that the proposed approach achieves utility comparable to that of non-private baselines even under strong privacy guarantees, and significantly improves execution times for cardinality constraints.
Abstract（参考訳）: 結果の多様化は、情報的で非冗長なデータ要約とクエリ出力を生成するために不可欠である。その様々な定式化は、様々なデータ駆動の規律で広く研究されているが、既存の手法では、基礎となるデータが機密であるときに生じるプライバシー上の懸念に対処できない。本研究では,差分プライバシ下での結果の多様化の研究を開始し,最大分散化(MSD)問題,サブモジュール関数の線形結合の最大化,妥当性の定量化,選択した項目間のペア距離の和の定量化を目的とした,広く採用されているモデルについて考察する。そこで本研究では,MSD の基数制約とマトロイド制約の両条件下での差分プライベートアルゴリズムを提案し,ほぼ最適な実用性保証を実現する。同時に、強い保証を維持するより効率的なアルゴリズムを設計する。特に、提案アルゴリズムは既存の非プライベートな手法よりも高速であり、非プライベートな設定でも魅力的である。実世界のデータセットを実験的に評価したところ、提案手法は強力なプライバシー保証の下でも非プライベートベースラインに匹敵する実用性を実現し、濃度制約の実行時間を大幅に改善することが示された。

関連論文リスト

KL-regularization Itself is Differentially Private in Bandits and RLHF [33.10013796063427]
差分プライバシー(DP)は、プライバシーのための厳格なフレームワークを提供し、単一のエントリで異なるデータセット間で統計的に区別できないデータ駆動アルゴリズムの出力を保証する。「一般に、DPを保証するためには、アルゴリズム自体または出力に明示的にノイズを注入する必要があるが、既存のアルゴリズムの固有のランダム性は、DPを無償で達成する機会を与える。」
論文参考訳（メタデータ） (2025-05-23T22:22:02Z)
From Randomized Response to Randomized Index: Answering Subset Counting Queries with Local Differential Privacy [27.59934932590226]
ローカル微分プライバシ(LDP)は、個々のデータプライバシを保護するための主要なプライバシモデルである。我々は、値の摂動ではなく、値のインデックスにランダム化を適用する別のアプローチを提案する。乱数化インデックスのデニビリティに着想を得て,集合値データに対するサブセットカウントクエリに応答するCRIADを提案する。
論文参考訳（メタデータ） (2025-04-24T13:08:11Z)
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)
Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
論文参考訳（メタデータ） (2024-09-30T09:34:31Z)
TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文参考訳（メタデータ） (2024-02-16T16:41:14Z)
Bounded and Unbiased Composite Differential Privacy [25.427802467876248]
差分プライバシ(DP)の目的は、隣接する2つのデータベース間で区別できない出力分布を生成することにより、プライバシを保護することである。既存のソリューションでは、後処理やトランケーション技術を使ってこの問題に対処しようとしている。本稿では,合成確率密度関数を用いて有界および非偏りの出力を生成する新しい微分プライベート機構を提案する。
論文参考訳（メタデータ） (2023-11-04T04:43:47Z)
Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文参考訳（メタデータ） (2023-01-03T05:38:43Z)
Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文参考訳（メタデータ） (2022-08-12T06:52:55Z)
Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
論文参考訳（メタデータ） (2022-05-05T06:43:46Z)
Private Alternating Least Squares: Practical Private Matrix Completion with Tighter Rates [34.023599653814415]
ユーザレベルのプライバシの下で、差分的プライベート(DP)行列補完の問題について検討する。本稿では,Alternating-Least-Squares (ALS) 方式の差分型を設計する。
論文参考訳（メタデータ） (2021-07-20T23:19:11Z)
Robust and Differentially Private Mean Estimation [40.323756738056616]
異なるプライバシーは、米国国勢調査から商用デバイスで収集されたデータまで、さまざまなアプリケーションで標準要件として浮上しています。このようなデータベースの数は、複数のソースからのデータからなり、それらすべてが信頼できるわけではない。これにより、既存のプライベート分析は、腐敗したデータを注入する敵による攻撃に弱い。
論文参考訳（メタデータ） (2021-02-18T05:02:49Z)

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。