論文の概要: Minimax bounds for watermarked and masked recursive discrete distribution estimation

• arxiv url: http://arxiv.org/abs/2608.31091v1
• Date: Mon, 31 Aug 2026 17:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.52928
• Title: Minimax bounds for watermarked and masked recursive discrete distribution estimation
• Title（参考訳）: 透かしとマスク付き再帰的離散分布推定のためのミニマックス境界
• Abstract要約: 識別機構が欠如していることから, 合成試料の添加により, 新しい実試料の限界効果が著しく低下することが示されている。 検出の偽陰性率も消えない限り,透かしを追加することで性能を向上させることは不可能であることを示す。 本稿では,残りの状態のギャップをジェンセンギャップに狭めるランダム化手法であるマスキングを提案する。
• 参考スコア（独自算出の注目度）: 15.724207170366846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Watermarking has been proposed as a way to identify synthetic samples in estimation settings where no metadata is available to distinguish them from real samples, but its precise effects remain unexplored. In the absence of a distinguishing mechanism, it has been shown that adding synthetic samples significantly reduces the marginal efficacy of new real samples. In this work, we study the minimax loss of such recursive discrete distribution estimation in the presence of watermarks in contrast to the unassisted and oracle-assisted losses. When the fraction of real samples vanishes asymptotically, we provide a lower bound that shows that it is impossible to improve performance by adding watermarks unless the false negative rate of detection also vanishes. Additionally, we show that in most regimes, the worst-case losses of a sequence of simple deterministic estimators match the corresponding lower bounds up to constants. Finally, we propose masking, a randomization procedure that narrows the gap in the remaining regimes to a Jensen gap. We conjecture that a tighter lower bound argument can close this gap.
• Abstract（参考訳）: ウォーターマーキングは、実際のサンプルと区別するためのメタデータが存在しない推定設定において、合成サンプルを識別する方法として提案されているが、その正確な効果は未解明のままである。 識別機構が欠如していることから, 合成試料の添加により, 新しい実試料の限界効果が著しく低下することが示されている。 本研究では,この再帰的離散分布推定の極小損失を透かしの存在下での最小化について検討した。 実サンプルの分画が漸近的に消えると、検出の偽陰率も消えない限り、透かしを追加することによって性能を向上させることは不可能であることを示す下界が提供される。 さらに、ほとんどのレジームにおいて、単純な決定論的推定器の列の最悪の損失は、対応する下界を定数まで一致させることが示される。 最後に、残りの状態のギャップをジェンセンギャップに狭めるランダム化手法であるマスキングを提案する。 我々は、より厳密な下界の議論がこのギャップを埋めることができると推測する。

関連論文リスト

• Tightening the Score Matching Gap for Diffusion Models [33.16787042554974]
  我々は、KLの発散、逆KLの発散、ワッサーシュタイン距離の3つの指標に対してより厳密な境界を開発する。 以上の結果から,低騒音尺度のスコアマッチングギャップを閉じることに,スコア近似の品質がより大きな影響を与えることが示唆された。
  論文  参考訳（メタデータ） (2026-07-05T18:00:32Z)
• Sample Complexities of Estimating Gumbel--Max Watermark Proportions with and without Reduction to Pivotal Statistics [4.346179456029564]
  透かしは、大きな言語モデル(LLM)が使用する統計的トレーサビリティを約束するが、実際の文書は、純粋に人間書きか純粋にLLM生成として現れることは滅多にない。 我々は,この透かし比推定問題をGumbel-max透かし機構を用いて検討した。 我々はLaguerre-polynomial estimatorを開発し、サンプルの複雑さに一致する情報理論の下限を確立する。
  論文  参考訳（メタデータ） (2026-06-30T22:04:35Z)
• Corrected Samplers for Discrete Flow Models [36.348940136801296]
  近年の研究では、タウ・リーピングやオイラー・ソルバのような離散拡散モデルのサンプルについて研究されている。 遷移率やソース分布に制限を加えることなく,非漸近的離散化誤差境界を確立する。 位置補正されたサンプリング器は,既存の並列サンプリング器よりも複雑さが低いことを厳密に示す。
  論文  参考訳（メタデータ） (2026-01-30T03:53:22Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
  データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。 我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。 実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T10:03:29Z)
• A Huber Loss Minimization Approach to Mean Estimation under User-level Differential Privacy [32.38935276997549]
  分散システムでは,サンプル全体のプライバシ保護が重要である。 ユーザレベルの差分プライバシに基づく推定におけるハマー損失最小化手法を提案する。 提案手法の理論的解析により,プライバシー保護に必要な雑音強度と平均二乗誤差の有界性が得られる。
  論文  参考訳（メタデータ） (2024-05-22T08:46:45Z)
• Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
  非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。 リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。 我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
  論文  参考訳（メタデータ） (2024-02-03T08:41:51Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。