Fugu-MT 論文翻訳(概要): Privacy for Free in Efficient Agnostic Halfspace Learning

論文の概要: Privacy for Free in Efficient Agnostic Halfspace Learning

arxiv url: http://arxiv.org/abs/2611.05208v1
Date: Tue, 03 Nov 2026 16:56:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-07 13:42:11.918874
Title: Privacy for Free in Efficient Agnostic Halfspace Learning
Title（参考訳）: 能率的半空間学習における自由なプライバシ
Abstract要約: 特に,ガウス的辺縁学習における不適切な学習,ガウス的辺縁学習における適切な学習,ガウス的辺縁学習における準不可知学習という3つの異なる学習条件について検討した。上記の3つの設定で、プライバシによるサンプルの複雑さの増加コストは、それぞれのプライベートでないサンプルの複雑さと一致し、プライバシを無償で取得することを意味します。
参考スコア（独自算出の注目度）: 15.468998883307847
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We provide the first computationally efficient, differentially private algorithms for agnostically learning halfspaces. In particular, we study three different settings of agnostic learning: improper learning under Gaussian and log-concave marginals; proper learning under Gaussian marginals; and semi-agnostic learning under Gaussian marginals. In all three aforementioned settings, the added cost in the sample complexity due to privacy matches the respective non-private sample complexity, implying that we get privacy for free.
Abstract（参考訳）: 半空間を不可知的に学習するための,計算効率,微分プライベートなアルゴリズムを初めて提供する。特に,ガウス的辺縁学習における不適切な学習,ガウス的辺縁学習における適切な学習,ガウス的辺縁学習における準不可知学習という3つの異なる学習条件について検討した。上記の3つの設定で、プライバシによるサンプルの複雑さの増加コストは、それぞれのプライベートでないサンプルの複雑さと一致し、プライバシを無償で取得することを意味します。

関連論文リスト

Near-Optimal Cryptographic Hardness of Learning With Homogeneous Halfspaces Under Gaussian Marginals [21.00905771355709]
ガウス分布の下での等質半空間の同定に関わる3つの問題について検討する。それぞれの問題の目標は、その対応する損失測度の観点から最も適した等質半空間にアプローチする等質半空間を出力することである。本研究では,これらの問題に対して,Learning With Errors (LWE) 問題の広く信じられている硬さ仮定の下で,ほぼ最適計算硬度を求める。
論文参考訳（メタデータ） (2026-04-29T09:00:35Z)
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)
Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
論文参考訳（メタデータ） (2022-09-09T08:54:13Z)
Agnostic Proper Learning of Halfspaces under Gaussian Marginals [56.01192577666607]
ガウスの下の半空間を不可知的に学習する問題を考察する。我々の主な成果は、この問題に対するエム第一固有学習アルゴリズムである。
論文参考訳（メタデータ） (2021-02-10T18:40:44Z)
Robust and Private Learning of Halfspaces [44.8212138280303]
学習ハーフスペースにおけるL2摂動下での差分プライバシーと対向ロバスト性の間のトレードオフについて検討する。私たちの結果のハイライトは、堅牢でプライベートな学習は、堅牢な学習やプライベートな学習よりも難しい、ということです。
論文参考訳（メタデータ） (2020-11-30T06:59:20Z)
On the Sample Complexity of Privately Learning Unbounded High-Dimensional Gaussians [13.517767928653443]
これらは、分布のパラメータに制限を課さない一般ガウス群に対する最初の有限標本上界である。技術的な観点からは、この空間の局所被覆からグローバルな「局所的に小さい」被覆の存在を論じる分析ツールを提供する。我々の手法は、有限被覆を持たない他の分布クラスをプライベートに学習するのに有用である。
論文参考訳（メタデータ） (2020-10-19T23:55:03Z)
Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
論文参考訳（メタデータ） (2020-07-18T09:12:03Z)
Learning Halfspaces with Tsybakov Noise [50.659479930171585]
テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
論文参考訳（メタデータ） (2020-06-11T14:25:02Z)
Efficiently Learning Adversarially Robust Halfspaces with Noise [69.01459748050453]
本研究では,分布に依存しない環境下で,逆向きに頑健なハーフスペースを学習する問題について検討する。実現可能な設定では、ハーフ空間が効果的に学習可能な対向摂動集合に対して必要かつ十分な条件を提供する。
論文参考訳（メタデータ） (2020-05-15T17:13:54Z)
Efficient, Noise-Tolerant, and Private Learning via Boosting [15.62988331732388]
本研究では,大規模ハーフスペースのための耐雑音性とプライベートなPAC学習者を構築する方法について述べる。この最初の境界は、プライバシからPAC学習者を取得するための一般的な方法論を示している。 2つ目の境界は、大きな有理半空間の微分プライベート学習において最もよく知られたサンプルの複雑さに適合する標準手法を使用する。
論文参考訳（メタデータ） (2020-02-04T03:16:37Z)

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。