要旨: 分散データからベイズネットワークの構造を学習することには、2つの主要な課題があります: (i) 参加者に対して厳密なプライバシー保証を確実に提供すること、そして (ii) 次元数に対して不当に大きくスケールする通信コストを回避することです。本研究では、これら両方の課題に対処する新しい連合学習手法であるFed-Sparse-BNSLを導入します。Fed-Sparse-BNSLは、線形ガウス・ベイズネットワーク構造を学習するための手法であり、差分プライバシーと、各参加者ごとに少数の関連エッジのみを対象とする貪欲な更新を組み合わせることで、プライバシーバジェットを効率的に活用しつつ通信コストを低く保ちます。慎重に設計したアルゴリズムにより、モデルの識別可能性を維持し、正確な構造推定を可能にします。合成データセットおよび実データセットでの実験により、Fed-Sparse-BNSLが非プライベートのベースラインに近い有用性を達成しつつ、より強いプライバシーと通信効率を実現することが示されます。
ベイジアンネットワークにおける差分プライバシーと分散（フェデレーテッド）構造学習
arXiv stat.ML / 2026/4/13
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、分散されている線形ガウスデータからベイジアンネットワークの構造を学習するためのフェデレーテッドアルゴリズムである Fed-Sparse-BNSL を提案し、形式的な差分プライバシーの保証を提供する。
- プライバシーと通信効率の典型的なトレードオフに取り組み、各参加者が関連するエッジのごく一部のみに対して貪欲な更新を行うことで、次元が増大するにつれて通信コストを削減する。
- 本手法はベイジアンネットワークの識別可能性を維持するよう設計されており、プライバシー制約下でも正確な構造推定を可能にする。
- 合成データと実データの両方での実験により、非プライベートのベースラインに近い有用性が示されるとともに、プライバシー保護が大幅に強く、通信効率もより良いことが確認される。
- 全体として本研究は、フェデレーテッド環境におけるベイジアンネットワークのための、プライバシー保護かつ通信効率の高い構造学習を前進させるものであり、複数の当事者間でより安全な分析を可能にしうる。
