論文の概要: Understanding Private Evolution as Learning-Augmented Clustering

• arxiv url: http://arxiv.org/abs/2609.36678v1
• Date: Tue, 29 Sep 2026 04:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.179421
• Title: Understanding Private Evolution as Learning-Augmented Clustering
• Title（参考訳）: 学習強化クラスタリングとしてのプライベート進化の理解
• Abstract要約: PE(Private Evolution)は、合成データ生成のための微分プライベートアルゴリズムである。 我々はPEを生成モデル拡張ワッサースタイン学習として再考した。 PEの標準的な変種は、単純なよくクラスタ化されたインスタンスに収束することができない。
• 参考スコア（独自算出の注目度）: 20.920159522918354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Private Evolution (PE) is a differentially private algorithm for synthetic data generation. While it can be viewed as a Wasserstein learning algorithm, it performs much better in practice than worst-case Wasserstein analyses would predict. We recast PE as generative model-augmented Wasserstein learning. We show theoretically that when we take into account the use of a generative model that is able to capture something about the true distribution, then we can obtain much better performance bounds. For example, if the generator gives samples in the same low-dimensional space as the distribution, then sample complexity depends on intrinsic, not ambient, dimension. We also show that standard variants of PE can fail to converge on simple well-clustered instances, and propose a new geometry-aware version of PE with provable convergence on such instances. Experimentally, we show that our new algorithm is competitive with standard baselines and can improve recall.
• Abstract（参考訳）: PE(Private Evolution)は、合成データ生成のための微分プライベートアルゴリズムである。 ワッサーシュタイン学習アルゴリズムと見なすことができるが、最悪のワッサーシュタイン解析が予測するよりも実際にはるかに優れた性能を発揮する。 我々はPEを生成モデル拡張ワッサースタイン学習として再考した。 理論上、真の分布について何かを捉えることができる生成モデルの使用を考慮すると、より優れた性能境界が得られることを示す。 例えば、生成元が分布と同じ低次元空間のサンプルを与えるなら、サンプルの複雑さは内在的であり、周囲ではない次元に依存する。 また, PE の標準変種は, 単純なクラスタ化されたインスタンスに収束しないことを示すとともに, それらのインスタンスに精度の高い収束性を持たせた新しい幾何対応版 PE を提案する。 実験により,我々の新しいアルゴリズムは標準ベースラインと競合し,リコールを改善することができることを示した。

関連論文リスト

• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Convergence for score-based generative modeling with polynomial complexity [9.953088581242845]
  我々は、Scoreベースの生成モデルの背後にあるコアメカニックに対する最初の収束保証を証明した。 以前の作品と比較すると、時間的に指数関数的に増加するエラーや、次元の呪いに苦しむエラーは発生しない。 予測器・相関器はどちらの部分のみを使用するよりも収束性が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-13T14:57:35Z)
• KL-Entropy-Regularized RL with a Generative Model is Minimax Optimal [70.15267479220691]
  モデル強化学習のサンプル複雑性を,生成的分散自由モデルを用いて検討・解析する。 我々の分析は、$varepsilon$が十分小さい場合、$varepsilon$-optimal Policyを見つけるのが、ほぼ最小の最適化であることを示している。
  論文  参考訳（メタデータ） (2022-05-27T19:39:24Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Learnable Locality-Sensitive Hashing for Video Anomaly Detection [44.19433917039249]
  ビデオ異常検出(英語: Video Anomaly Detection, VAD)とは、通常サンプルのみが利用可能なトレーニングセットで発生していない異常事象を特定することを指す。 本稿では,すべての標準データを効率よく,かつ柔軟に活用するための,距離に基づく新しいVAD手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T15:25:45Z)
• Query Training: Learning a Worse Model to Infer Better Marginals in Undirected Graphical Models with Hidden Variables [11.985433487639403]
  確率的グラフィカルモデル(PGM)は、柔軟な方法でクエリできる知識のコンパクトな表現を提供する。 我々は,PGMを学習するメカニズムであるクエリトレーニング(QT)を導入し,それと組み合わせる近似推論アルゴリズムに最適化する。 実験により,QTを用いて隠れ変数を持つ8連結グリッドマルコフランダム場を学習できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T20:34:32Z)
• Convergence of Online Adaptive and Recurrent Optimization Algorithms [0.0]
  我々は、機械学習で使用されるいくつかの顕著な降下アルゴリズムの局所収束を証明した。 我々は確率的視点ではなく「エルゴディック」を採用し、確率分布の代わりに経験的な時間平均で作業する。
  論文  参考訳（メタデータ） (2020-05-12T09:48:52Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。