Fast and Private Submodular and $k$-Submodular Functions Maximization\n with Matroid Constraints
Notice bibliographique
Résumé
The problem of maximizing nonnegative monotone submodular functions under a\ncertain constraint has been intensively studied in the last decade, and a wide\nrange of efficient approximation algorithms have been developed for this\nproblem. Many machine learning problems, including data summarization and\ninfluence maximization, can be naturally modeled as the problem of maximizing\nmonotone submodular functions. However, when such applications involve\nsensitive data about individuals, their privacy concerns should be addressed.\nIn this paper, we study the problem of maximizing monotone submodular functions\nsubject to matroid constraints in the framework of differential privacy. We\nprovide $(1-\\frac{1}{\\mathrm{e}})$-approximation algorithm which improves upon\nthe previous results in terms of approximation guarantee. This is done with an\nalmost cubic number of function evaluations in our algorithm.\n Moreover, we study $k$-submodularity, a natural generalization of\nsubmodularity. We give the first $\\frac{1}{2}$-approximation algorithm that\npreserves differential privacy for maximizing monotone $k$-submodular functions\nsubject to matroid constraints. The approximation ratio is asymptotically tight\nand is obtained with an almost linear number of function evaluations.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,008 | 0,071 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».