Buchumschlag

Learning with Differentially Private (Sliced) Wasserstein Gradients

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rodríguez-Vítores, David, Lalanne, Clément, Loubes, Jean-Michel
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Private Estimation of Smooth Transport Maps
von: Lalanne, Clément, et al.
Veröffentlicht: (2025)

An improved central limit theorem for the empirical sliced Wasserstein distance
von: Rodríguez-Vítores, David, et al.
Veröffentlicht: (2025)

Differentially Private Two-Stage Gradient Descent for Instrumental Variable Regression
von: Liang, Haodong, et al.
Veröffentlicht: (2025)

Fixed-Budget Differentially Private Best Arm Identification
von: Chen, Zhirui, et al.
Veröffentlicht: (2024)

About the Cost of Central Privacy in Density Estimation
von: Lalanne, Clément, et al.
Veröffentlicht: (2023)

Provable Robust Overfitting Mitigation in Wasserstein Distributionally Robust Optimization
von: Liu, Shuang, et al.
Veröffentlicht: (2025)

Improved learning theory for kernel distribution regression with two-stage sampling
von: Bachoc, François, et al.
Veröffentlicht: (2023)

Privately Learning Smooth Distributions on the Hypercube by Projections
von: Lalanne, Clément, et al.
Veröffentlicht: (2024)

A Diffusion Analysis of Policy Gradient for Stochastic Bandits
von: Lattimore, Tor
Veröffentlicht: (2026)

Cross-regularization: Adaptive Model Complexity through Validation Gradients
von: Brito, Carlos Stein
Veröffentlicht: (2025)

Stein-Rule Shrinkage for Stochastic Gradient Estimation in High Dimensions
von: Arashi, M., et al.
Veröffentlicht: (2026)

Decision Making in Changing Environments: Robustness, Query-Based Learning, and Differential Privacy
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Differentially Private Sliced Inverse Regression: Minimax Optimality and Algorithm
von: Xia, Xintao, et al.
Veröffentlicht: (2024)

Conformal Prediction for Privacy-Preserving Machine Learning
von: Balinsky, Alexander David, et al.
Veröffentlicht: (2025)

A Differential and Pointwise Control Approach to Reinforcement Learning
von: Nguyen, Minh, et al.
Veröffentlicht: (2024)

Minimax-Optimal Two-Sample Test with Sliced Wasserstein
von: Tran, Binh Thuan, et al.
Veröffentlicht: (2025)

A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring)
von: Hazard, Christopher J., et al.
Veröffentlicht: (2025)

Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models
von: Rajendran, Goutham, et al.
Veröffentlicht: (2024)

Adaptive auditing of AI systems with anytime-valid guarantees
von: Zhou, Siyu, et al.
Veröffentlicht: (2026)

Compression, Generalization and Learning
von: Campi, Marco C., et al.
Veröffentlicht: (2023)

Online Learning with Unknown Constraints
von: Sridharan, Karthik, et al.
Veröffentlicht: (2024)

Adaptive Sample Aggregation In Transfer Learning
von: Hanneke, Steve, et al.
Veröffentlicht: (2024)

Provable Reward-Agnostic Preference-Based Reinforcement Learning
von: Zhan, Wenhao, et al.
Veröffentlicht: (2023)

On the Statistical Capacity of Deep Generative Models
von: Tam, Edric, et al.
Veröffentlicht: (2025)

Outcome-Based Online Reinforcement Learning: Algorithms and Fundamental Limits
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Understanding In-Context Learning on Structured Manifolds: Bridging Attention to Kernel Methods
von: Shen, Zhaiming, et al.
Veröffentlicht: (2025)

Learning Hierarchical Polynomials of Multiple Nonlinear Features with Three-Layer Networks
von: Fu, Hengyu, et al.
Veröffentlicht: (2024)

Chemical Reaction Networks Learn Better than Spiking Neural Networks
von: Jaffard, Sophie, et al.
Veröffentlicht: (2026)

Is Behavior Cloning All You Need? Understanding Horizon in Imitation Learning
von: Foster, Dylan J., et al.
Veröffentlicht: (2024)

Beyond identifiability: Learning causal representations with few environments and finite samples
von: Lee, Inbeom, et al.
Veröffentlicht: (2026)

A Statistical Analysis of Deep Federated Learning for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

Labels or Preferences? Budget-Constrained Learning with Human Judgments over AI-Generated Outputs
von: Dong, Zihan, et al.
Veröffentlicht: (2026)

Learning from Aggregate responses: Instance Level versus Bag Level Loss Functions
von: Javanmard, Adel, et al.
Veröffentlicht: (2024)

Attack-Aware Noise Calibration for Differential Privacy
von: Kulynych, Bogdan, et al.
Veröffentlicht: (2024)

Towards a Sharp Analysis of Offline Policy Learning for $f$-Divergence-Regularized Contextual Bandits
von: Zhao, Qingyue, et al.
Veröffentlicht: (2025)

Unified Algorithms for RL with Decision-Estimation Coefficients: PAC, Reward-Free, Preference-Based Learning, and Beyond
von: Chen, Fan, et al.
Veröffentlicht: (2022)

PLS-based approach for fair representation learning
von: De-Diego, Elena M., et al.
Veröffentlicht: (2025)

Beyond the Calibration Point: Mechanism Comparison in Differential Privacy
von: Kaissis, Georgios, et al.
Veröffentlicht: (2024)

Class conditional conformal prediction for multiple inputs by p-value aggregation
von: Fermanian, Jean-Baptiste, et al.
Veröffentlicht: (2025)