Fugu-MT 論文翻訳(概要): Information Bottleneck under Perfect Privacy

論文の概要: Information Bottleneck under Perfect Privacy

arxiv url: http://arxiv.org/abs/2608.11003v1
Date: Tue, 11 Aug 2026 14:50:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.091265
Title: Information Bottleneck under Perfect Privacy
Title（参考訳）: 完全なプライバシー下での情報基盤
Abstract要約: 我々は、情報ボトルネックを完全なプライバシーの下で研究し、特にアクティブ・レート・システマティに重点を置いている。目標は、感度変数から統計的に独立したまま、実用関連情報を保存する表現を構築することである。
参考スコア（独自算出の注目度）: 14.082698194425054
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we study the information bottleneck under perfect privacy, with particular emphasis on the active-rate regime, where the representation-rate constraint is binding and directly limits the achievable utility. The goal is to construct a representation that preserves utility-relevant information while remaining statistically independent of a sensitive variable. This exact independence requirement introduces an additional constraint beyond the classical rate-relevance tradeoff and must be explicitly incorporated into the optimization. To this end, we develop an alternating direction method of multipliers (ADMM)-based method tailored to the resulting problem structure. Under suitable regularity conditions, we establish global convergence of the generated sequence, characterize its convergence rate through the Kurdyka-Lojasiewicz exponent, and extend the analysis to inexact block updates.
Abstract（参考訳）: 本研究では,情報ボトルネックを完全なプライバシ下で研究し,特に表現率制約が結合し,達成可能なユーティリティを直接制限するアクティブレート体制に注目した。目標は、感度変数から統計的に独立したまま、実用関連情報を保存する表現を構築することである。この厳密な独立要件は、古典的な利率関連トレードオフを超えて追加的な制約を導入し、最適化に明示的に組み込まなければならない。そこで本研究では,乗算器(ADMM)に基づく方法の交互方向法を開発した。適切な規則性条件下では、生成シーケンスのグローバル収束を確立し、クルディカ・ロジャシエヴィチ指数による収束率を特徴づけ、解析を不正確なブロック更新にまで拡張する。

関連論文リスト

It Takes Two: Complementary Self-Distillation for Contextual Integrity in LLMs [73.46918128880786]
タスク解決から情報抑制を分離する自己蒸留フレームワーク。タスク解決から情報抑制を分離する自己蒸留フレームワーク。
論文参考訳（メタデータ） (2026-05-18T13:57:44Z)
Nearest-Neighbor Density Estimation for Dependency Suppression [0.0]
感性変数に依存しない表現を学習するエンコーダに基づく手法を提案する。逆相関学習や逆相関学習に頼っている既存の手法とは異なり、我々の手法は統計的依存関係を中和するためにデータ分布を明示的に推定し、修正する。我々は、複数のデータセットに対するアプローチを評価し、既存の教師なし手法よりも優れており、情報削除とユーティリティのバランスをとる上で、競合する教師付き手法でさえも優れていることを実証した。
論文参考訳（メタデータ） (2026-03-04T16:07:03Z)
Optimal Regularization Under Uncertainty: Distributional Robustness and Convexity Constraints [9.77322868877488]
分布的に堅牢な最適正規化のためのフレームワークを導入する。トレーニング分布の計算と均一な事前計算との間には,ロバストな正則化器がどのように介在するかを示す。
論文参考訳（メタデータ） (2025-10-03T19:35:38Z)
Designing Ambiguity Sets for Distributionally Robust Optimization Using Structural Causal Optimal Transport [21.387312729118364]
本稿では,因果グラフ情報を含む構造方程式を取り入れ,あいまいさの集合を強化することを提案する。本研究では, 最適輸送問題における次元性の呪いを克服し, 無秩序で高速な縮小を実現する方法を示す。
論文参考訳（メタデータ） (2025-10-01T07:26:47Z)
ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文参考訳（メタデータ） (2025-08-19T12:13:41Z)
ImprovDML: Improved Trade-off in Private Byzantine-Resilient Distributed Machine Learning [22.85986751447643]
一般的な戦略は、Byzantine-Resilientアグリゲーションルールと差分プライバシーメカニズムの統合である。そこで我々は,プライバシ保護を同時に確保しつつ,モデルの精度を向上する ImprovDML を提案する。モデル精度と差分プライバシーの間のトレードオフを改善することを実証する。
論文参考訳（メタデータ） (2025-06-18T06:53:52Z)
Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable [7.257109577579576]
この作業は、任意のクライアント参加とデータの異質性によって引き起こされるフェデレートラーニングの基本的な課題に取り組む。本稿では、任意のクライアント参加のダイナミクスを正確に把握する新しいモデリングツールとして、行列と対応する時間変化グラフの概念を導入する。 FOCUSが任意のクライアントの参加にかかわらず、線形レートで正確な収束を達成することを示す厳密な証明を提供する。
論文参考訳（メタデータ） (2025-03-25T23:54:23Z)
Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
論文参考訳（メタデータ） (2024-07-24T12:00:30Z)
Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
論文参考訳（メタデータ） (2024-07-11T10:35:53Z)
Semi-Supervised U-statistics [22.696630428733204]
ラベルなしデータの豊富さによって強化された半教師付きU統計を導入する。提案手法は古典的U統計よりも顕著な効率向上を示すことを示す。我々は,すべての先進国において古典的U統計よりも優れた改良されたアプローチを提案する。
論文参考訳（メタデータ） (2024-02-29T07:29:27Z)
Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。本手法は, 精度の高い問題に特に適している。提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文参考訳（メタデータ） (2023-11-08T00:10:21Z)
InteL-VAEs: Adding Inductive Biases to Variational Auto-Encoders via Intermediary Latents [60.785317191131284]
本稿では,潜伏変数の中間集合を用いて,制御可能なバイアスでVAEを学習するための簡易かつ効果的な手法を提案する。特に、学習した表現に対して、スパーシリティやクラスタリングといった望ましいプロパティを課すことができます。これにより、InteL-VAEはより優れた生成モデルと表現の両方を学ぶことができる。
論文参考訳（メタデータ） (2021-06-25T16:34:05Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。