公開非ラベルデータを持つ非対話型局所差分プライバシーモデルにおける平滑GLMの推定【JST・京大機械翻訳】

Wang Di; Hu Lijie; Zhang Huanyu; Gaboardi Marco; Xu Jinhui

プレプリント

J-GLOBAL ID：202202210772326849 整理番号：21P0017646

公開非ラベルデータを持つ非対話型局所差分プライバシーモデルにおける平滑GLMの推定【JST・京大機械翻訳】

Estimating Smooth GLM in Non-interactive Local Differential Privacy Model with Public Unlabeled Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2019年10月01日プレプリントサーバーでの情報更新日： 2022年08月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本論文では,非対話型局所微分プライバシー(NLDP)モデルにおける滑らかな一般化線形モデル(GLM)を推定する問題を研究した。その古典的設定と異なり,このモデルはサーバがいくつかの付加的公開データにアクセスすることを可能にした。本論文の最初の部分では,GLMに焦点を当てた。具体的には,まず,各データ記録がゼロ平均多変量Gauss分布からサンプリングされる事例を考察した。Steinの補助定理によって動機づけられて,GLMのための(ε,δ)-NLDPアルゴリズムを提示する。さらに,αのl_2ノルム推定誤差(高い確率)を達成するアルゴリズムに対する公開および個人データのサンプル複雑性は,それぞれ,O(pα ̄-2)およびO(p ̄3α ̄-2ε ̄-2)であり,そこでは,pは特徴ベクトルの次元である。これは,公開データのないGLMのpサンプル複雑性において,α ̄-1における以前に知られている指数的または準多項式,または指数における著しい改善である。次に,各データ記録が,有界l_1ノルムを持ついくつかのサブGauss分布からサンプリングされる,より一般的な設定を考察した。Steinの補助定理の変異体に基づいて,著者らは,αのl_∞ノルム推定誤差を達成するための公開および個人データのサンプル複雑性が,いくつかの穏やかな仮定の下で,それぞれO(p ̄2α ̄-2)およびO(p ̄2α ̄-2ε ̄-2)である,そして,αが小さすぎる(すなわち,α≧Ω(frac1√p))ならば,(ε,δ)-NLDPアルゴリズムを提案した。本論文の第2部では,非線形回帰を推定する問題に対するアイデアを拡張し,多変量GaussおよびサブGaussケースの両方に対してGLMと同様の結果を示した。最後に,著者らは,合成および実世界データセットの両方に関する実験を通して,著者らのアルゴリズムの有効性を実証した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , , , 【Automatic Indexing@JST】

データ保護 , 自動車事故,交通安全

, , , , ,

前のページに戻る