Core Concepts
プライバシー保護データ公開のための期待値最大化緩和法を提案し、最適解の等価性と収束性を理論的に保証する。
Abstract
本論文では、プライバシー保護データ公開のための新しい手法として、期待値最大化(EM)アルゴリズムに着想を得た緩和モデルを提案している。
まず、元の最適化問題の目的関数に対して上界を与える緩和モデルを導出する。この緩和モデルは、元の問題と最適解および最適値が等価であることを示している。
次に、この緩和モデルに基づいて、交互の期待値最小化(AEM)アルゴリズムを開発する。AEMアルゴリズムでは、各変数の更新が閉形式で表現でき、効率的な計算が可能である。さらに、目的関数の減少を理論的に保証し、KKT点への収束も示される。
数値実験では、合成データおよび実世界データセットに対して、提案手法の有効性を確認している。特に大規模データセットでは、従来手法よりも安定した性能を示すことができる。
Stats
提案手法は、従来手法と比べて、より一様な点を生成し、滑らかな曲線を出力できる。
大規模データセットでは、提案手法の方が従来手法よりも安定した性能を示す。
Quotes
"プライバシー保護データ公開のための期待値最大化緩和法を提案し、最適解の等価性と収束性を理論的に保証する。"
"AEMアルゴリズムでは、各変数の更新が閉形式で表現でき、効率的な計算が可能である。"