CURATE: Scaling-Up Differentially Private Causal Graph Discovery

Causal graph discovery (CGD) is the process of estimating the underlying probabilistic graphical model that represents the joint distribution of features of a dataset. CGD algorithms are broadly classified into two categories: (i) constraint-based algorithms, where the outcome depends on conditional...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Entropy (Basel, Switzerland) Ročník 26; číslo 11; s. 946
Hlavní autoři:	Bhattacharjee, Payel, Tandon, Ravi
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Switzerland MDPI AG 05.11.2024 MDPI
Témata:	Adaptive algorithms adaptive privacy budgeting Algorithms Analysis Budgeting Budgets causal graph discovery Constraints Datasets differential privacy Estimation Leakage Noise prediction Optimization Optimization techniques Privacy Probability distribution Random variables Statistical analysis New York United States Germany adaptive privacy budgeting causal graph discovery differential privacy
ISSN:	1099-4300, 1099-4300
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!