論文の概要: Equivalence Testing Under Privacy Constraints

• arxiv url: http://arxiv.org/abs/2604.06499v1
• Date: Tue, 07 Apr 2026 22:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.260469
• Title: Equivalence Testing Under Privacy Constraints
• Title（参考訳）: プライバシー制約下での等価テスト
• Authors: Savita Pareek, Luca Insolia, Roberto Molinari, Stéphane Guerrier,
• Abstract要約: 比率や手段の違いに対する標準等価試験手順は、不注意に機密情報を開示することができる。 シミュレーションに基づくキャリブレーションに依存する差分プライベートな等価性試験法を開発した。 提案手法はDP-TOSTと呼ばれる統一されたフレームワークを導入し,各手段と比率の差分プライベートな等価性試験を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protecting individual privacy is essential across research domains, from socio-economic surveys to big-tech user data. This need is particularly acute in healthcare, where analyses often involve sensitive patient information. A typical example is comparing treatment efficacy across hospitals or ensuring consistency in diagnostic laboratory calibrations, both requiring privacy-preserving statistical procedures. However, standard equivalence testing procedures for differences in proportions or means, commonly used to assess average equivalence, can inadvertently disclose sensitive information. To address this problem, we develop differentially private equivalence testing procedures that rely on simulation-based calibration, as the finite-sample distribution is analytically intractable. Our approach introduces a unified framework, termed DP-TOST, for conducting differentially private equivalence testing of both means and proportions. Through numerical simulations and real-world applications, we demonstrate that the proposed method maintains type-I error control at the nominal level and achieves power comparable to its non-private counterpart as the privacy budget and/or sample size increases, while ensuring strong privacy guarantees. These findings establish a reliable and practical framework for privacy-preserving equivalence testing in high-stakes fields such as healthcare, among others.
• Abstract（参考訳）: 個人のプライバシーを保護することは、社会経済調査からハイテクユーザーデータまで、研究領域において不可欠である。 このニーズは医療において特に深刻であり、分析には敏感な患者情報が含まれることが多い。 典型的な例は、病院間での治療効果を比較したり、診断検査室の校正の整合性を確保することであり、どちらもプライバシー保護の統計手続きを必要とする。 しかしながら、平均等価性を評価するために一般的に使用される比率や手段の違いに対する標準等価性試験手順は、不注意に機密情報を開示することができる。 この問題を解決するために,有限サンプル分布を解析的に抽出できるため,シミュレーションに基づくキャリブレーションに依存する差分プライベートな等価性試験法を開発した。 提案手法はDP-TOSTと呼ばれる統一されたフレームワークを導入し,各手段と比率の差分プライベートな等価性試験を行う。 数値シミュレーションや実世界の応用を通して,提案手法は名目レベルでI型エラー制御を維持し,プライバシー予算やサンプルサイズの増加とともに,その非私的手法に匹敵するパワーを達成し,強力なプライバシ保証を確保した。 これらの知見は, 医療などのハイテイク分野におけるプライバシ保護等価性テストの信頼性と実践的枠組みを確立した。

関連論文リスト

• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Privacy Preserving Adaptive Experiment Design [13.839525385976303]
  社会的福祉の喪失と統計的権力とのトレードオフを文脈的盗賊実験で検討する。 プライバシが"ほぼ無償"であることを示す,下位境界にマッチする差分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T09:22:12Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size [24.149533870085175]
  我々は、Renyi差分プライバシーとして知られる、差分プライバシーのわずかな変種の下で、シーケンシャル仮説テスト問題を研究する。 我々は,Wald's Sequential Probability Ratio Test (SPRT)に基づく新たなプライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-10T04:15:50Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。