arXiv:2606.19859v1 cs.IT

Doeblin 곡선

Doeblin Curves

Dongmin Lee, William Lu, Anuran Makur, Japneet Singh

제출 2026-06-18

한국어 초록

Doeblin 계수에 대한 최근 연구는 마르코프 연쇄 에르고딕성 이론에서의 고전적인 역할과는 별개로, 총 변동 거리(TV distance)에 대한 Dobrushin 수축 계수의 다방향 일반화로서의 유용성을 조명했습니다. 그러나 Doeblin 계수가 정보 수축의 존재를 확립하기 위해서는 0에서 떨어져 유계라는 것과 같은 강한 조건이 일반적으로 필요합니다. 최근 정립된 비선형 정보 수축 개념을 기반으로, Doeblin 계수가 0인 채널에 대해서도 공허하지 않은 수축 보장을 제공하는 다방향 수축 거동에 대한 더 세밀한 Doeblin 기반 특성화를 제안하고자 합니다. 이를 위해 Doeblin 곡선의 개념을 도입합니다. 이는 특정 수준의 발산(divergence)과 파워(power)에서 입력 분포 집합에 대한 마르코프 커널의 수축 거동을 정량화하는 비선형 함수입니다. 분석 과정에서 우리는 Doeblin 계수에 대한 새로운 변분적 특성화를 개발하고, Doeblin 곡선의 여러 속성을 제시하며, 파워 제약(power-constrained) Doeblin 곡선의 여러 버전을 정의하고, 앞서 언급한 변분적 특성화를 사용하여 상한과 하한을 도출합니다. 그 후, 노이즈가 있는 반복 최적화에 대한 일반화 경계, 노이즈가 있는 회로를 이용한 신뢰할 수 있는 계산에 대한 오차 경계, 온라인 반복 알고리즘에 대한 차분 프라이버시(differential privacy) 보장 등 다양한 영역에 이러한 결과를 활용합니다. 특히, Doeblin 곡선을 활용하여 Doeblin 계수보다 더 세밀한 수축 현상을 규명함으로써, 해당 영역의 결과를 더 넓은 영역이나 그룹 설정으로 확장합니다.

원문 초록

Recent research on Doeblin coefficients has shed light on their usefulness as a multi-way generalization of the Dobrushin contraction coefficient for TV distance, in a separate vein from their classic role in the theory of Markov chain ergodicity. However, strong conditions, such as being bounded away from 0, are typically necessary for Doeblin coefficients to establish the existence of information contraction. Building on recently formulated concepts of nonlinear information contraction, we aim to propose a finer-grained Doeblin-based characterization of multi-way contraction behavior which yields non-vacuous contraction guarantees even for channels whose Doeblin coefficient is 0. To this end, we introduce the notion of a Doeblin curve -- a nonlinear function which quantifies the contraction behavior of a Markov kernel on collections of input distributions at specific levels of divergence and power. Through the course of our analysis, we develop a new variational characterization of Doeblin coefficients, present several properties of Doeblin curves, define several versions of power-constrained Doeblin curves, and derive upper and lower bounds using our aforementioned variational characterization. We then utilize these results in diverse areas, including generalization bounds for noisy iterative optimization, error bounds for reliable computation with noisy circuits, and differential privacy guarantees for online iterative algorithms. In particular, we extend results in these areas to broader domains or group settings, leveraging Doeblin curves to reveal finer-grained contraction phenomena than Doeblin coefficients.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19859v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27658v1cs.LG공통 태그 Stochastic Optimization, Privacy Preserving

노이즈 감소와 바이어스 보정을 통한 프라이빗 분산 최적화

Private Decentralized Optimization with Noise Reduction and Bias Correction

프라이빗 분산 학습은 이질적인 데이터 환경에서 샘플링 노이즈, 프라이버시 노이즈, 그리고 분산 바이어스의 영향을 받는다. 본 논문은 Private Recursive Decentralized Optimization(PRDO)을 제안한다. PRDO는 동일 배치 그래디언트 차이를 이용한 재귀적 추정(recursive estimation)으로 샘플링 노이즈와 프라이버시 노이즈에 의한 추정 오차를 줄이고, Exact Diffusion 구성 요소로 데이터 이질성에서 비롯되는 분산 바이어스를 보정한다. 본 분석은 노드 간 데이터 이질성이 균일하게 유계라는 가정 없이 비볼록(nonconvex) 수렴 바운드를 도출한다. 또한 재귀적 그래디언트 차이가 프라이빗 Exact Diffusion보다 엄밀하게 더 낮은 쿼리 민감도(query sensitivity)를 갖게 되는 충분 조건을 제시하고, 이 조건을 엄밀하게 만족하는 예시를 함께 제시한다. 실험 결과, 평가한 베이스라인 대비 정확도가 향상됨을 확인하였다.

arXiv:2609.27250v1cs.IT공통 태그 Stochastic Optimization, information theory

위험 민감 Schrödinger bridge: KL 투영이 아니다

The Risk-Sensitive Schr\"odinger Bridge: Is Not a KL Projection

Schrödinger bridge의 계산적 힘은 하나의 구조적 사실에서 나온다. Girsanov 정리에 의해 제어 문제는 고정 참조 확률측도 위의 Kullback–Leibler(KL) 투영이 되며, 교대 투영으로 풀 수 있다. 본 서신은 그 사실이 위험 민감성(risk sensitivity)에서는 유지되지 않음을 보인다. 기대 경로 비용을 엔트로피 위험 측도(entropic risk measure)로 바꾸고 두端点 주변(marginal)을 모두 강한 제약(hard constraint)으로 두면, 그때의 고정점 bridge 값 J_θ(말단 제약을 강제하는 승수에서의 soft 문제 값)는 규칙적인端点 법(endpoint law)을 갖는 어떤 고정 경로 공간 참조에 대해서도 제약 KL 최솟값으로 표현될 수 없다(균일 타원형 확산 참조보다 엄격히 더 큰 클래스이며, Markov 성질은 필요하지 않다). 초기 주변에 의존하는 가산 정규화(normalisation)를 허용해도 마찬가지이다. 더 나아가, 단일 참조 하나로 위험 매개변수에 따른 일매개변수 family 전체를 생성할 수 없다. 장애물은 닫힌 형(closed form)으로 계산된다. Gaussian bridge 값은 고정端点 밀도의 임의 Gaussian smoothing이 만족해야 하는 열 방정식(heat equation)을 정확히 θ/2만큼 위반한다. 투영 대신 이론은 말단 승수(terminal-multiplier) 고정점과, backward factor의 score energy를 penalize하는 비대칭 인수분해(asymmetric factorisation) 위에 서 있다.

arXiv:2607.05479v2cs.CR공통 태그 Privacy Preserving

생성형 AI 워크플로우에서의 특권과 기밀성

Privilege and confidentiality in generative AI workflows

생성형 AI(GenAI) 시스템은 클라이언트 데이터를 세 가지 방식으로 저장하고 처리한다: 학습과 기억화를 통해 모델의 파라미터에, 실시간 세션 중 컨텍스트 윈도우에, 그리고 검색-증강 생성(RAG)을 위한 지식 데이터베이스에. 각 방식은 기밀성과 법적 직업상 특권에 대해 서로 다르고 종종 반직관적인 위험을 초래하며, 각각 특정한 거버넌스 대응을 요구한다. 특권과 생성형 AI를 다룬 최초의 영국 및 미국 판결인 UK and Munir v Secretary of State for the Home Department와 United States v Heppner, 이 판결들이 해석되어야 할 기존의 특권 판례들, 그리고 최근의 컴퓨터 과학 연구를 바탕으로, 우리는 실무자들이 이해할 수 있는 방식으로 데이터 저장 및 처리의 세 가지 방식을 설명하고 각각의 법적 결과를 분석한다. 이어서 우리는 이 분석을 잉글랜드 및 웨일스의 사무변호사를 규율하는 규제 체계와 통상적인 직업상 과실의 일반 원칙 내에 위치시키며, 효과적인 정보 거버넌스의 기준(그리고 그에 따라 과실 및 위법 행위를 판단하는 벤치마크)이 변화하고 있다고 주장한다. 우리는 주로 SRA 규제를 받는 실무자들을 대상으로 서술하지만, 데이터 거버넌스 분석은 특권 또는 직업상 비밀의 보호가 증명 가능한 기밀성에 달려 있는 모든 법적 관할권으로 확장될 수 있도록 구성하였다. 이 논문의 궁극적인 목적은 법률 서비스 전문가들이 GenAI 시스템에서의 주요 데이터 유출 위험을 이해하도록 돕고, 이를 통해 클라이언트 데이터 및 기타 민감한 자료에 대한 GenAI의 보다 책임 있는 배포를 촉진하는 것이다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.