論文の概要: Privately Clipping Heavy-Tailed Data

• arxiv url: http://arxiv.org/abs/2610.36281v1
• Date: Mon, 26 Oct 2026 21:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.434316
• Title: Privately Clipping Heavy-Tailed Data
• Title（参考訳）: プライベート・クリッピングヘビータイリングデータ
• Abstract要約: 残留コヒーレンスを最適化してクリッピング境界をプライベートに選択する手法を提案する。 重み付きデータ体制の一般クラスにおける残差コヒーレンスとバイアスの密接な関係を実証する。
• 参考スコア（独自算出の注目度）: 8.078491757252692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Summing vectors is a basic task in differentially private data analysis. Standard private sum algorithms clip vectors to some bound, sum them, and add noise scaled to the bound. The differential privacy literature has developed a deep library of noise addition mechanisms, but it offers few tools for privately choosing a clipping bound based on the data. We introduce a method that privately chooses a clipping bound by optimizing residual coherence, the directional alignment of vectors exceeding the bound, against the variance cost of additional noise. We prove a close relationship between residual coherence and bias for a general class of heavy-tailed data regimes and show empirically that, across several datasets, our method outperforms existing baselines.
• Abstract（参考訳）: ベクトルのサミングは、微分プライベートデータ解析における基本的なタスクである。 標準的なプライベートサムアルゴリズムは、ベクターをいくつかのバウンドにクリップし、それらを合計し、バウンドにスケールされたノイズを追加する。 差分プライバシー文学は、ノイズ付加機構の深いライブラリを開発したが、データに基づいてクリップをプライベートに選択するためのツールはほとんどない。 本稿では,残余コヒーレンスを最適化してクリッピング境界をプライベートに選択する手法を提案する。 重み付きデータ体制の一般クラスにおける残余コヒーレンスとバイアスの密接な関係を証明し、いくつかのデータセットにおいて、我々の手法が既存のベースラインより優れていることを実証的に示す。

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)
• On Improving the Composition Privacy Loss in Differential Privacy for Fixed Estimation Error [4.809236881780709]
  ユーザが複数のサンプルをコントリビュートできるデータセットの非結合部分集合の統計のプライベートリリースについて検討する。 特に、サンプル平均の$epsilon$-differentially privateリリースとデータセットの非結合部分集合におけるサンプル値のばらつきに焦点を当てる。 当社の主なコントリビューションは,ユーザのコントリビューションの抑制に基づく反復アルゴリズムです。
  論文  参考訳（メタデータ） (2024-05-10T06:24:35Z)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Choosing Public Datasets for Private Machine Learning via Gradient Subspace Distance [31.705932986843017]
  差分的なプライベート勾配降下は、各反復にノイズを注入することで、モデルパラメータの数に応じてノイズの大きさが増加するモデルトレーニングを民営化する。 近年の研究では、パブリックデータによって規定される部分空間に勾配を投影することにより、パブリックデータをプライベート機械学習に活用することでノイズを低減できることが示唆されている。 我々は,公立と私設の例の勾配の低次元部分空間距離を測定することで,公開データセットを選択するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-02T13:36:28Z)
• 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)
• Mixed Differential Privacy in Computer Vision [133.68363478737058]
  AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。 プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
  論文  参考訳（メタデータ） (2022-03-22T06:15:43Z)
• Don't Generate Me: Training Differentially Private Generative Models with Sinkhorn Divergence [73.14373832423156]
  そこで我々はDP-Sinkhornを提案する。DP-Sinkhornは個人データからデータ分布を差分プライバシで学習するための新しいトランスポートベース生成手法である。 差分的にプライベートな生成モデルを訓練するための既存のアプローチとは異なり、我々は敵の目的に頼らない。
  論文  参考訳（メタデータ） (2021-11-01T18:10:21Z)
• Privacy-Preserving Public Release of Datasets for Support Vector Machine Classification [14.095523601311374]
  我々は,データ対象者のプライバシーを侵害することなく,ベクトルマシン分類をサポートするデータセットを公開することの問題点を考察する。 データセットは、プライバシ保護のための付加ノイズを使用して、体系的に難読化される。 元のデータセットから抽出された分類器と難読化された分類器が互いに近接していることを保証する条件を確立する。
  論文  参考訳（メタデータ） (2019-12-29T03:32:38Z)

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。