اکسپرس 24
ترجمه فارسی مقاله تخمین پراکنده محلی خصوصی بهتر با توجه به نمونه‌های متعدد برای هر کاربر

ترجمه فارسی مقاله تخمین پراکنده محلی خصوصی بهتر با توجه به نمونه‌های متعدد برای هر کاربر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Better Locally Private Sparse Estimation Given Multiple Samples Per User
عنوان مقاله به فارسی تخمین پراکنده محلی خصوصی بهتر با توجه به نمونه‌های متعدد برای هر کاربر
نویسندگان Yuheng Ma, Ke Jia, Hanfang Yang
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
دسته بندی موضوعات Machine Learning,Machine Learning,Methodology,یادگیری ماشین , یادگیری ماشین , روش شناسی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Journal ref: ICML2024 Proceedings
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، مجله Ref: مجموعه مقالات ICML2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,240,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Previous studies yielded discouraging results for item-level locally differentially private linear regression with $s^*$-sparsity assumption, where the minimax rate for $nm$ samples is $mathcal{O}(s^{*}d / nmvarepsilon^2)$. This can be challenging for high-dimensional data, where the dimension $d$ is extremely large. In this work, we investigate user-level locally differentially private sparse linear regression. We show that with $n$ users each contributing $m$ samples, the linear dependency of dimension $d$ can be eliminated, yielding an error upper bound of $mathcal{O}(s^{*2} / nmvarepsilon^2)$. We propose a framework that first selects candidate variables and then conducts estimation in the narrowed low-dimensional space, which is extendable to general sparse estimation problems with tight error bounds. Experiments on both synthetic and real datasets demonstrate the superiority of the proposed methods. Both the theoretical and empirical results suggest that, with the same number of samples, locally private sparse estimation is better conducted when multiple samples per user are available.

چکیده به فارسی (ترجمه ماشینی)

مطالعات قبلی نتایج دلسرد کننده ای برای سطح مورد نظر از نظر محلی متفاوت از نظر خطی خصوصی با $ s^*$-فرض پراکندگی ، که در آن نرخ حداقل برای نمونه های $ nm $ $ mathcal {o} (s^{*} d / nm به دست می آورد.varepsilon^2) $.این می تواند برای داده های با ابعاد بالا چالش برانگیز باشد ، جایی که ابعاد $ D $ بسیار بزرگ است.در این کار ، ما رگرسیون خطی پراکنده خصوصی در سطح کاربر را بررسی می کنیم.ما نشان می دهیم که با استفاده از کاربران $ $ $ هر یک از نمونه های $ m $ ، وابستگی خطی از ابعاد $ d $ قابل حذف است ، و خطایی را به همراه دارد و خطای بالایی از mathcal {o} (s^{*2} / nm varepsilon^2) $.ما چارچوبی را پیشنهاد می کنیم که ابتدا متغیرهای نامزد را انتخاب می کند و سپس تخمین را در فضای کم بعدی باریک انجام می دهد ، که قابل تخمین عمومی با محدودیت های خطای محکم است.آزمایشات در هر دو مجموعه داده مصنوعی و واقعی برتری روشهای پیشنهادی را نشان می دهد.هر دو نتایج نظری و تجربی نشان می دهد که با همان تعداد نمونه ها ، تخمین پراکنده محلی در صورت موجود بودن نمونه های مختلف در هر کاربر بهتر انجام می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.