論文の概要: PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects

• arxiv url: http://arxiv.org/abs/2505.21641v1
• Date: Tue, 27 May 2025 18:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.223066
• Title: PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects
• Title（参考訳）: PrivATE: 平均治療効果に対する個人的信頼区間
• Authors: Maresa Schröder, Justin Hartenstein, Stefan Feuerriegel,
• Abstract要約: 平均処理効果(ATE)に対する信頼区間計算のための機械学習フレームワークPrivATEを提案する。 具体的には、観測データからATEの適切なプライバシ保護CIを導出することに焦点を当てる。 私たちのフレームワークはモデルに依存しず、二重に堅牢で、有効なCIを保証する。
• 参考スコア（独自算出の注目度）: 20.57872238271025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The average treatment effect (ATE) is widely used to evaluate the effectiveness of drugs and other medical interventions. In safety-critical applications like medicine, reliable inferences about the ATE typically require valid uncertainty quantification, such as through confidence intervals (CIs). However, estimating treatment effects in these settings often involves sensitive data that must be kept private. In this work, we present PrivATE, a novel machine learning framework for computing CIs for the ATE under differential privacy. Specifically, we focus on deriving valid privacy-preserving CIs for the ATE from observational data. Our PrivATE framework consists of three steps: (i) estimating a differentially private ATE through output perturbation; (ii) estimating the differentially private variance through a truncated output perturbation mechanism; and (iii) constructing the CIs while accounting for the uncertainty from both the estimation and privatization steps. Our PrivATE framework is model agnostic, doubly robust, and ensures valid CIs. We demonstrate the effectiveness of our framework using synthetic and real-world medical datasets. To the best of our knowledge, we are the first to derive a general, doubly robust framework for valid CIs of the ATE under ($\varepsilon$, $\delta$)-differential privacy.
• Abstract（参考訳）: 平均治療効果(ATE)は、薬物やその他の医療介入の有効性を評価するために広く用いられている。 医学のような安全クリティカルな応用において、ATEに関する信頼できる推論は一般的に、信頼区間(CI)のような妥当な不確実性定量化を必要とする。 しかし、これらの環境での治療効果を推定するには、秘密にしておく必要がある機密データが必要となることが多い。 本稿では、差分プライバシの下でATE用のCIを計算するための、新しい機械学習フレームワークであるPrivATEを紹介する。 具体的には、観測データからATEの適切なプライバシ保護CIを抽出することに焦点を当てる。 私たちのPrivateフレームワークは3つのステップで構成されています。 一 出力摂動による差分プライベートATEの推定 (二)減算出力摂動機構による差分私的分散の推定、及び 三 見積もり及び民営化の段階からの不確実性を考慮しつつ、CIを構築すること。 私たちのPrivATEフレームワークはモデルに依存しず、二重に堅牢で、有効なCIを保証する。 人工的および実世界の医療データセットを用いて,本フレームワークの有効性を実証する。 私たちの知識を最大限に活用するために、私たちは、($\varepsilon$, $\delta$)-差分プライバシーの下で、ATEの有効なCIのための一般的な2倍の堅牢なフレームワークを初めて導き出しました。

関連論文リスト

• Model Agnostic Differentially Private Causal Inference [16.50501378936487]
  観察データから因果効果を推定することは、医学、経済学、社会科学において不可欠である。 本稿では,平均治療効果を個人で評価するための一般的なモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:37Z)
• Differentially Private Learners for Heterogeneous Treatment Effects [23.05024957067819]
  我々は,Nyman-orthogonal およびdifferentially private である CATE 推定のための新しいフレームワーク DP-CATE を提案する。 我々は、合成および実世界のデータセットを用いて、DP-CATEを様々な実験で実証する。
  論文  参考訳（メタデータ） (2025-03-05T13:24:58Z)
• Differentially Private Multi-Site Treatment Effect Estimation [28.13660104055298]
  ほとんどの患者データは別々の病院でサイロに残っており、データ駆動型医療AIシステムの設計を妨げている。 医療応用における因果推論の重要な課題である平均治療効果(ATE)を推定することを検討する。 本稿では, ATE推定値とその分散を品質指標として報告する, サイトごとの推定アルゴリズムのクラスを通してこの問題に対処する。
  論文  参考訳（メタデータ） (2023-10-10T01:21:01Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• 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)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。