抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ランダム化SGDアルゴリズムの微分プライバシー解析に関する事前作業は,陰的(非現実的)仮定が反復アルゴリズムの内部状態が敵対するという,組成定理に依存する。その結果,そのような組成ベース解析で得られたR’enyi DP限界は訓練時期の数とともに線形的に成長する。アルゴリズムの内部状態が隠されたとき,著者らは,ノイズのある確率的勾配降下(強い凸の滑らかな損失関数)のために収束するプライバシー境界を証明した。サブサンプリングとランダム化後処理によるプライバシー増幅の利点をいかに利用するかを示し,”シャッフルと分割”と”置換のないサンプル”確率的ミニバッチ勾配降下スキームに対するプライバシー境界の動力学を証明した。著者らは,これらの設定において,著者らのプライバシー境界が指数的に速く収束し,いくつかの訓練期間の後,特に,組成限界よりも大幅に小さいことを証明した。このように,DPアルゴリズムが速く収束しないならば,著者らのプライバシー解析は,隠れ状態解析が差動プライバシーを著しく増幅することができることを示した。【JST・京大機械翻訳】