論文の概要: Private Generative Bootstrap via Blocking

• arxiv url: http://arxiv.org/abs/2608.02480v1
• Date: Mon, 03 Aug 2026 16:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.713419
• Title: Private Generative Bootstrap via Blocking
• Title（参考訳）: ブロックによるプライベートジェネレーティブブートストラップ
• Authors: Jinwon Sohn, Veronika Ročková,
• Abstract要約: 本稿では,ブロック戦略を用いたベイジアンブートストラップのプライベートインスタンス化を提案する。 個人に慣用的ランダムウェイトを割り当てるのではなく、ランダムに個人をグループ化し、各グループに1つのウェイトを割り当てる。 PGBBの1つの適合性は、追加のプライバシーコストを伴わずに、損失ベースの決定ルールを同時にサポートできることを示します。
• 参考スコア（独自算出の注目度）: 1.1816942730023885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With AI systems gaining more access to individuals' information, it is important to protect privacy when reporting statistical answers. Equally important is to privatize the reporting of uncertainty in such answers. To this end, we adopt a Bayesian likelihood-free framework and make simulation from the posterior private. In particular, we propose a new private instantiation of the Bayesian bootstrap using a blocking strategy. Rather than assigning idiosyncratic random weights to each individual, we randomly group individuals and assign a single weight to each group. By concealing individuals' contributions within a group, we fortify differential privacy gates. We harness amortized inference that decouples private learning from posterior sampling. A push-forward map from observation weights to posterior samples is learned privately by adding calibrated noise during training. Subsequent posterior draws require no additional privacy and computation budget. We call the resulting method the Private Generative Bayesian Bootstrap (PGBB). We establish a differential privacy guarantee, analyze convergence to the non-private blocked-bootstrap target, and quantify the discrepancy between the ordinary and blocked Bayesian-bootstrap posteriors. In addition, we derive data-free tuning of the block Dirichlet concentration parameter that restores posterior dispersion asymptotically. We also show a single fit of PGBB can support a family of loss-based decision rules simultaneously without additional privacy cost. In simulations and in applications to U.S. Census returns to schooling and U.S. natality birthweight quantiles, PGBB gives competitive private uncertainty quantification and improves over private Bayesian alternatives that require a specified data-generating model in common settings.
• Abstract（参考訳）: AIシステムは個人の情報にアクセスしやすくなっているため、統計的回答を報告する際にプライバシーを保護することが重要である。 同様に重要なことは、そのような答えにおける不確実性の報告を民営化することである。 この目的のために、ベイズ確率自由フレームワークを採用し、後部プライベートからシミュレーションを行う。 特に,ブロック戦略を用いたベイジアンブートストラップの新規なプライベートインスタンス化を提案する。 個人に慣用的ランダムウェイトを割り当てるのではなく、ランダムに個人をグループ化し、各グループに1つのウェイトを割り当てる。 グループ内の個人の貢献を隠蔽することで、差分プライバシーゲートを固める。 個人学習を後部サンプリングから切り離すアモールト化推論を利用する。 トレーニング中に校正ノイズを加えることにより、観測重量から後部サンプルへのプッシュフォワードマップをプライベートに学習する。 その後の引き込みは、追加のプライバシーと計算予算を必要としない。 提案手法をPGBB(Private Generative Bayesian Bootstrap)と呼ぶ。 我々は、プライバシーの差分保証を確立し、非私的ブロック・ブートストラップ対象への収束を分析し、通常のベイズ・ブートストラップ後部とブロックされたベイズ・ブートストラップ後部との相違を定量化する。 さらに,後部分散を漸近的に復元するブロックディリクレ濃度パラメータのデータフリーチューニングを導出する。 また、プライバシコストを増すことなく、損失ベースの決定ルールを同時にサポートできるPGBBの1つの適合性を示す。 シミュレーションや米国国勢調査への応用において、PGBBは競争力のある私的不確実性定量化を提供し、共通の設定で特定のデータ生成モデルを必要とするベイズ的代替品よりも改善する。

関連論文リスト

• Differential Privacy of Gaussian Process Posterior Sampling [0.0]
  ガウス過程(GP)から後部サンプルパスを放出するプライバシーについて検討する。 外部ノイズを付加する標準微分プライバシ(DP)メカニズムとは異なり、後続サンプリングは構成によってランダムである。 この本質的なランダム性は,GP後部サンプルパス解放のための明示的なRényi-DP境界を導出することによりDP保証が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-16T14:43:16Z)
• Gaussian Differential Private Bootstrap by Subsampling [1.0742675209112622]
  我々は、$n$ブートストラップから$m$のプライベートな経験的価格を提案し、その一貫性とプライバシー保証を差分プライバシの下で検証する。 ブートストラップ$n$のプライベートな$n$と比較して、私たちのアプローチにはいくつかの利点があります。まず、計算コストの削減、特に大規模データについて。
  論文  参考訳（メタデータ） (2025-05-02T11:40:50Z)
• Uncertainty quantification by block bootstrap for differentially private stochastic gradient descent [1.0742675209112622]
  Gradient Descent (SGD) は機械学習において広く使われているツールである。 ブートストラップによるSGDの不確実性定量化(UQ)は、いくつかの著者によって解決されている。 本稿では,ローカルな差分プライバシーの下でSGDのブロックブートストラップを提案する。
  論文  参考訳（メタデータ） (2024-05-21T07:47:21Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Differentially Private Computation of Basic Reproduction Numbers in Networked Epidemic Models [3.1966459264817875]
  本研究では,ネットワーク化流行モデルの再生数を,差分的にプライベートに計算し,解放するフレームワークを開発する。 実世界の条件下では、平均して7.6%の誤差を発生させながら、差分的にプライベートな方法でR_0$を計算することができる。
  論文  参考訳（メタデータ） (2023-09-29T14:38:02Z)
• Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent [69.14164921515949]
  DP-SGDで訓練されたモデルをリリースする際の個々の事例に対するプライバシー保証を特徴付ける。 ほとんどの例では、最悪のケースよりも強力なプライバシー保証を享受しています。 これは、モデルユーティリティの観点からは守られないグループが同時に、より弱いプライバシー保証を経験することを意味する。
  論文  参考訳（メタデータ） (2022-06-06T13:49:37Z)
• Nonparametric extensions of randomized response for private confidence sets [51.75485869914048]
  本研究は,局所的差分プライバシー(LDP)の制約の下で,集団平均の非パラメトリック,非漸近的統計的推測を行う手法を導出する。 民営化データへのアクセスのみを与えられた場合、$mustar$に対して信頼区間(CI)と時間一様信頼シーケンス(CS)を提示する。
  論文  参考訳（メタデータ） (2022-02-17T16:04:49Z)
• Privacy Amplification via Random Check-Ins [38.72327434015975]
  Differentially Private Gradient Descent (DP-SGD) は、多くのアプリケーションにおいて、機密データを学習するための基本的な構成要素となっている。 本稿では,DP-SGD のような反復的手法を,多くのデバイス(クライアント)に分散したフェデレーションラーニング(FL)の設定において実施することに焦点を当てる。 当社の主なコントリビューションは,各クライアントがローカルかつ独立に行うランダムな参加決定にのみ依存する,Emphrandom Check-in分散プロトコルです。
  論文  参考訳（メタデータ） (2020-07-13T18:14:09Z)

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。