조건부 최대 상관을 통한 일반화된 공통 정보 측정
본 논문은 조건부 최대 상관을 공통성·프라이버시 지표로 활용하여, 기존의 가츠‑코너, 와이너, 쿠마르‑리‑가말이 제시한 공통 정보를 하나의 프레임워크로 통합한다. 이를 위해 ‘근사 정보‑상관 함수’와 ‘정확 정보‑상관 함수’를 정의하고, 각각을 사설 소스 합성 및 공통 정보 추출 문제의 최소 공통성 비율과 연결시킨다. 또한 조건부 최대 상관의 특성(특이값 표현, 연속성·불연속성, 볼록성 등)을 상세히 분석한다.
저자: Lei Yu, Houqiang Li, Chang Wen Chen
본 논문은 두 확률 변수 X와 Y 사이의 공통 정보를 측정하는 새로운 접근법을 제시한다. 기존에는 가츠‑코너(Gács‑Körner)와 와이너(Wyner), 그리고 쿠마르‑리‑가말(Kumar‑Li‑Gamal) 등 서로 다른 정의가 존재했으며, 각각은 함수적 의존성, 조건부 독립성, 정확한 분포 재현이라는 제한조건에 기반한다. 이러한 정의들은 서로 다른 문제 설정(공통 정보 추출 vs. 분산 소스 합성)에서 등장했지만, 공통적으로 ‘공통성’과 ‘프라이버시’를 어떻게 제한하느냐에 따라 차이가 있었다.
저자들은 이 두 축을 연속적인 매개변수 ρ∈
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기