Fugu-MT 論文翻訳(概要): Gap-free Differentially Private PCA for Gaussian Data

論文の概要: Gap-free Differentially Private PCA for Gaussian Data

arxiv url: http://arxiv.org/abs/2609.31614v2
Date: Tue, 29 Sep 2026 02:19:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:46.551521
Title: Gap-free Differentially Private PCA for Gaussian Data
Title（参考訳）: ガウスデータのためのギャップフリー微分プライベートPCA
Abstract要約: ガウスデータを用いた主成分分析(PCA)問題に対して,ギャップフリーな$(,)$-differentially privateアルゴリズムを提案する。このアルゴリズムは、電力反復法のプライベートな変種に基づいており、計算的に効率的である。
参考スコア（独自算出の注目度）: 24.77977081568645
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We give a gap-free $(ε,δ)$-differentially private algorithm for the principal component analysis (PCA) problem with Gaussian data. The algorithm is based on a private variant of the power iteration method, and it is computationally efficient.
Abstract（参考訳）: ガウスデータを用いた主成分分析(PCA)問題に対して,ギャップフリーな$(ε,δ)$-differentially privateアルゴリズムを提案する。このアルゴリズムは、電力反復法のプライベートな変種に基づいており、計算的に効率的である。

関連論文リスト

Robust and Differentially Private PCA for non-Gaussian data [3.744589644319257]
重み付きおよび潜在的に汚染されたデータに適用可能な微分プライベートPCA法を提案する。有界変換を適用することにより、主成分の微分プライベートな計算が可能となる。我々の手法は統計的有用性の観点から既存の手法より一貫して優れている。
論文参考訳（メタデータ） (2025-07-21T04:27:09Z)
How Private are DP-SGD Implementations? [61.19794019914523]
2種類のバッチサンプリングを使用する場合、プライバシ分析の間に大きなギャップがあることが示される。その結果,2種類のバッチサンプリングでは,プライバシ分析の間に大きなギャップがあることが判明した。
論文参考訳（メタデータ） (2024-03-26T13:02:43Z)
Differentially Private Low-dimensional Synthetic Data from High-dimensional Datasets [11.802062948175479]
本研究では,高次元データセットから低次元合成データを効率的に生成する微分プライベートアルゴリズムを提案する。アルゴリズムの重要なステップは、ほぼ最適精度を持つプライベートプライマリコンポーネント分析(PCA)手順である。
論文参考訳（メタデータ） (2023-05-26T02:50:55Z)
On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
論文参考訳（メタデータ） (2023-02-11T14:45:31Z)
General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文参考訳（メタデータ） (2023-01-31T18:47:42Z)
Private Estimation with Public Data [10.176795938619417]
少人数の公開データへのアクセスによる差分プライベート(DP)推定について検討する。 DPの制約の下では、d+1公開データサンプルは、プライベートデータ分布のレンジパラメータへの依存を取り除くのに十分であることを示す。
論文参考訳（メタデータ） (2022-08-16T22:46:44Z)
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)
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)

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。