論文の概要: Causal Inference with Differentially Private (Clustered) Outcomes
- arxiv url: http://arxiv.org/abs/2308.00957v1
- Date: Wed, 2 Aug 2023 05:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 13:49:47.821863
- Title: Causal Inference with Differentially Private (Clustered) Outcomes
- Title（参考訳）: 個人別(クラスタ化)結果の因果推論
- Authors: Adel Javanmard, Vahab Mirrokni, Jean Pouget-Abadie
- Abstract要約: ランダム化実験から因果効果を推定することは、参加者が反応を明らかにすることに同意すれば実現可能である。
データの任意のクラスタ構造を利用する新たな差分プライバシメカニズムであるCluster-DPを提案する。
クラスタの品質を直感的に測定することで,プライバシ保証を維持しながら分散損失を改善することができることを示す。
- 参考スコア（独自算出の注目度）: 10.08890668924377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating causal effects from randomized experiments is only feasible if
participants agree to reveal their potentially sensitive responses. Of the many
ways of ensuring privacy, label differential privacy is a widely used measure
of an algorithm's privacy guarantee, which might encourage participants to
share responses without running the risk of de-anonymization. Many
differentially private mechanisms inject noise into the original data-set to
achieve this privacy guarantee, which increases the variance of most
statistical estimators and makes the precise measurement of causal effects
difficult: there exists a fundamental privacy-variance trade-off to performing
causal analyses from differentially private data. With the aim of achieving
lower variance for stronger privacy guarantees, we suggest a new differential
privacy mechanism, "Cluster-DP", which leverages any given cluster structure of
the data while still allowing for the estimation of causal effects. We show
that, depending on an intuitive measure of cluster quality, we can improve the
variance loss while maintaining our privacy guarantees. We compare its
performance, theoretically and empirically, to that of its unclustered version
and a more extreme uniform-prior version which does not use any of the original
response distribution, both of which are special cases of the "Cluster-DP"
algorithm.
- Abstract（参考訳）: ランダム化実験から因果効果を推定することは、参加者が潜在的に敏感な反応を明らかにすることに同意すれば実現可能である。
プライバシーを保証する多くの方法の中で、ラベル差分プライバシーはアルゴリズムのプライバシー保証の広く使われている尺度であり、匿名化のリスクを負わずに参加者が応答を共有することを促す可能性がある。
多くの差分プライベート機構は、このプライバシ保証を達成するために元のデータセットにノイズを注入し、多くの統計推定器の分散を増加させ、因果効果の正確な測定を困難にする。
より強力なプライバシー保証のために、より低い分散を達成するために、データの任意のクラスタ構造を利用しながら因果効果を推定できる新しい差分プライバシメカニズム"cluster-dp"を提案する。
クラスタの品質を直感的に測定することで,プライバシ保証を維持しながら分散損失を改善することができることを示す。
我々は、その性能を、理論上、経験的に、クラスタ化されていないバージョンと、"クラスタDP"アルゴリズムの特別な場合である元の応答分布を一切使用しない、より極端な一様バージョンと比較する。
関連論文リスト
- Differentially Private Covariate Balancing Causal Inference [8.133739801185271]
差分プライバシーは、プライバシー保護のための主要な数学的枠組みである。
我々のアルゴリズムは、所定のプライバシー予算の下で、整合性やレート最適性などの統計的保証のある点推定と区間推定の両方を生成する。
論文 参考訳（メタデータ） (2024-10-18T18:02:13Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - Federated Experiment Design under Distributed Differential Privacy [31.06808163362162]
我々は,サービス提供者に対する信頼を最小限にしつつ,ユーザのプライバシの厳格な保護に注力する。
現代のA/Bテストにおいて重要な要素であるが、これまではプライベート分散実験は研究されていない。
これらのメカニズムは、実際に一般的に見られる非常に多くの参加者を扱うために、どのようにスケールアップできるかを示す。
論文 参考訳（メタデータ） (2023-11-07T22:38:56Z) - Training Private Models That Know What They Don't Know [40.19666295972155]
いくつかの一般的な選択的予測手法は、差分的にプライベートな環境では効果がないことがわかった。
モデルユーティリティレベルを越えた選択予測性能を分離する新しい評価機構を提案する。
論文 参考訳（メタデータ） (2023-05-28T12:20:07Z) - On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。
プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。
最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
論文 参考訳（メタデータ） (2022-10-05T12:55:53Z) - Private Domain Adaptation from a Public Source [48.83724068578305]
我々は、公開ラベル付きデータを持つソースドメインから、未ラベル付きプライベートデータを持つターゲットドメインへの適応のための差分プライベート離散性に基づくアルゴリズムを設計する。
我々の解は、Frank-WolfeとMirror-Descentアルゴリズムのプライベートな変種に基づいている。
論文 参考訳（メタデータ） (2022-08-12T06:52:55Z) - Mixed Differential Privacy in Computer Vision [133.68363478737058]
AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。
プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
論文 参考訳（メタデータ） (2022-03-22T06:15:43Z) - Differentially Private Estimation of Heterogeneous Causal Effects [9.355532300027727]
本稿では,条件付き平均治療効果(CATE)を差分プライバシー保証で推定するための一般的なメタアルゴリズムを提案する。
我々のメタアルゴリズムは、SラーナーやDRやRラーナーのようなより複雑な多段推定器のような単純な単段CATE推定器で動作する。
論文 参考訳（メタデータ） (2022-02-22T17:21:18Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-12-14T18:59:24Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z) - RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial
Network [75.81653258081435]
GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。
しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。
本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
論文 参考訳（メタデータ） (2020-07-04T09:51:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。