論文の概要: ProxyGuard: Direct Reliability Inference for Randomized Data Release Mechanisms with Shared Targets

• arxiv url: http://arxiv.org/abs/2608.18643v1
• Date: Wed, 19 Aug 2026 07:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.323916
• Title: ProxyGuard: Direct Reliability Inference for Randomized Data Release Mechanisms with Shared Targets
• Title（参考訳）: ProxyGuard: 共有ターゲットを持つランダム化されたデータリリースメカニズムの直接的な信頼性推論
• Abstract要約: ProxyGuardは、事前に特定された有界リスクとシールされたターゲットセットを使用して、両方のエラーを制御する。 名前付きリリースモードは多重度を補正し、特定のリリースを認証する。 直接共有ターゲットモードは、共通のターゲット上での独立メカニズムの描画を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers often choose a proxy dataset from many releases, transformations, or seeds. Search can make an invalid release appear adequate, while one adequate release does not establish that its generator is reliable. ProxyGuard controls both errors using prespecified bounded risks and a sealed target set. Named-release mode corrects for multiplicity and certifies specific releases. Direct shared-target mode evaluates independent mechanism draws on a common target, lower-bounds their favorable-score rate, and subtracts a bound on favorable scores contributed by invalid releases. Conditional on the target, release scores are independent, yielding a finite-sample mechanism-reliability guarantee without independent target batches or assumptions on release-level $p$-value dependence. We show that the mean-only penalty is sharp and derive a smooth-score certificate with additive target concentration. In a registered three-requirement study, direct mode raises power from 5.6\% to 64.2\% at reliability 0.95, while named mode remains stronger under high-signal evidence. Prospective audits span full-pipeline Rice--TVAE, which retrains on every draw, and a non-tabular text mechanism.
• Abstract（参考訳）: 研究者はしばしば、多くのリリース、変換、シードからプロキシデータセットを選択する。 検索は、無効なリリースを適切に見せることができ、一方の適切なリリースは、ジェネレータが信頼できることを保証しない。 ProxyGuardは、事前に特定された有界リスクとシールされたターゲットセットを使用して、両方のエラーを制御する。 名前付きリリースモードは多重度を補正し、特定のリリースを認証する。 直接共有ターゲットモードは、共通の目標に基づいて独立的なメカニズムの引き分けを評価し、好ましくないスコアレートを低くし、無効なリリースによって寄与される好ましくないスコアを減じる。 目標に対して条件付きで、リリーススコアは独立しており、リリースレベルの$p$-value依存に対する独立したターゲットバッチや仮定なしで、有限サンプルのメカニズム-信頼性を保証する。 平均限のペナルティは鋭く,加法目標濃度のスムーズなスコア証明書を導出することを示す。 登録された3条件調査では、直接モードは信頼性 0.95 で 5.6 % から 64.2 % まで電力を上昇させるが、高信号の証拠の下では命名モードは強いままである。 予見監査は、すべてのドローでリトレーニングされる全ピペリンライス-TVAEと、非タブラルテキストメカニズムにまたがる。

関連論文リスト

• Certifying Model Upgrades with Slice-Wise Non-Regression and Incumbent Fallback [2.8716825293247665]
  本研究では,非回帰寛容性を考慮したチェックポイント選択について検討した。 提案手法では,候補探索を独立したペア評価から分離する再現可能なリリース手順を提案する。 共同リリース決定は、スライス数のボンフェロニのペナルティを必要としないが、スライス数によって認定能力は低下する可能性がある。
  論文  参考訳（メタデータ） (2026-09-12T05:00:50Z)
• A distribution-free certification framework for trustworthy crash-severity prediction [1.089614199781423]
  厳密なモデルを修正せずにラップする認証層を開発します。 テキサス州の7つのベースモデルにまたがる520万件の記録では、同層は同一の妥当性を持つ。 フレームワークは定理レベルのテストを備えたオープンソースパッケージとしてリリースされている。
  論文  参考訳（メタデータ） (2026-09-10T14:20:08Z)
• SynthGuard-ReleaseBench: Locked-Audit Evidence for Synthetic Tabular Data Releases [0.0]
  SynthGuard-ReleaseBenchは、評価の前に使用、候補パネル、許容度、監査スケジュールをロックする監査フレームワークである。 保護されたデータ上で、実際のトレーニングと合成トレーニングを比較し、損失ギャップの有限サンプル境界を同時に与え、コントロールを必要とし、実用性と経験的なプライバシーリスクメカニズムを分離する。
  論文  参考訳（メタデータ） (2026-08-14T03:12:17Z)
• Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
  ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。 粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。 ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
  論文  参考訳（メタデータ） (2026-08-04T23:48:36Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression [3.6457570471698095]
  両強みを組み合わせたシンプルな「クレーダル・テンコンフォーマル化」レシピであるCREDOを紹介する。 CREDOはまず、地元の証拠が弱いときに拡大する解釈可能なクレダルエンベロープを構築し、次にこのエンベロープの上にスプリット・コンフォメーション・キャリブレーションを適用して、限界範囲のカバレッジを保証する。 この役割の分離は解釈可能な予測間隔をもたらす。
  論文  参考訳（メタデータ） (2026-03-06T19:37:21Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)

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。