論文の概要: Actually, All Learnable Distribution Classes Are Privately Learnable
- arxiv url: http://arxiv.org/abs/2610.28878v1
- Date: Tue, 20 Oct 2026 19:57:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.136597
- Title: Actually, All Learnable Distribution Classes Are Privately Learnable
- Title（参考訳）: 実際、すべての学習可能な配布クラスはプライベートに学習できる
- Abstract要約: 有限個のサンプルを含む全変動距離において、任意の目標誤差まで学習可能な分布のクラスは、(varepsilon, $)-差分プライバシーの下でも、有限個のサンプルで任意に小さな目標誤差まで学習可能であることを示す。
- 参考スコア（独自算出の注目度）: 13.693675274707637
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We show that every class of distributions that is learnable up to arbitrarily small target error in total variation distance with finitely many samples is also learnable under ($\varepsilon, δ$)-differential privacy up to arbitrarily small target error with finitely many samples. This proves a conjecture of Ashtiani. Previous work by Bun, Kamath, Mouzakis, and Singhal [arXiv:2402.00267] gave a weak refutation of this conjecture, showing that this implication is not true when learnability is defined with respect to a fixed target error. In contrast, we show that, under the standard definition of learnability, the conjecture is true.
- Abstract（参考訳）: 有限個のサンプルを含む全変動距離において、任意の目標誤差まで学習可能な分布のクラスは、任意に小さな目標誤差まで有限個のサンプルで学習できることが示される(\varepsilon, δ$)。
これはアシュティアーニの予想を証明している。
文・カマス・モウザキス・シンガルによる先行研究(arXiv:2402.00267)は、この予想に弱い反響を与え、学習可能性が固定された目標誤差に対して定義される場合、この意味は真ではないことを示した。
対照的に、学習可能性の標準的な定義の下では、予想は真であることが示される。
関連論文リスト
- Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness [63.833913892018536]
本研究では、固定されたファミリー$U$からデータ生成分布を適応的に選択できる分布敵の下でのシーケンシャルな意思決定について検討する。
一般化滑らか性(Generalized smoothness)という概念の観点で学習可能性を認めるファミリー$U$のほぼ完全な特徴付けを提供する。
一般化された滑らかさは,分布制約下での個人学習性も特徴付けることを示す。
論文 参考訳（メタデータ） (2026-02-24T06:15:59Z) - Agnostic Learning under Targeted Poisoning: Optimal Rates and the Role of Randomness [13.802167452101909]
以前の研究は、このようなインスタンス標的の毒殺攻撃による最適エラーが$Theta(deta)$とスケールすることを確立した。
最適余剰誤差が $tildeTheta(sqrtdeta)$ であることを示し、Hannekeらによって残された主要な開問題の一つに答える。
論文 参考訳（メタデータ） (2025-06-03T16:53:20Z) - Not All Learnable Distribution Classes are Privately Learnable [20.261360490885473]
有限個のサンプルで全変動距離で一定誤差まで学習できる分布のクラスを例に挙げるが、同じターゲット誤差で$(varepsilon, delta)$-differential privacyでは学習できない。
論文 参考訳（メタデータ） (2024-02-01T01:39:09Z) - Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。
それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。
次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
論文 参考訳（メタデータ） (2023-08-13T14:05:24Z) - Differentially-Private Bayes Consistency [70.92545332158217]
差分プライバシー(DP)を満たすベイズ一貫した学習ルールを構築する。
ほぼ最適なサンプル複雑性を持つ半教師付き環境で,任意のVCクラスをプライベートに学習できることを実証する。
論文 参考訳（メタデータ） (2022-12-08T11:57:30Z) - Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。
本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
論文 参考訳（メタデータ） (2022-10-26T03:19:24Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
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。