論文の概要: De-biased Distribution Estimation for Locally Differential Private Survival Data

• arxiv url: http://arxiv.org/abs/2610.14320v1
• Date: Fri, 09 Oct 2026 21:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:12:06.795745
• Title: De-biased Distribution Estimation for Locally Differential Private Survival Data
• Title（参考訳）: 局所微分型私的生存データに対する非バイアス分布推定
• Abstract要約: 本稿では, 局所微分プライベートデータを用いたデコンセントカーネル関数を用いて, 真のサバイバル関数の非パラメトリック推定法を提案する。 我々の推定器は、LPPによる事象指標の反転によって引き起こされる摂動時間と誤差を同時に除算する。
• 参考スコア（独自算出の注目度）: 1.599301119772182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sharing time-to-event data can leak sensitive information about individual participants in clinical studies. To protect the privacy of data, differential privacy (DP) framework offers rigorous protection for data sharing. The local variant of differential privacy is particularly appealing because each record is perturbed before it leaves the data owner or contributor. However, the injected perturbation distorts the true distribution of the source data, yielding low utility and invalid statistical inference with the released data. In this work, we propose a nonparametric estimator for the true survivor function via the deconvolution kernel function with locally differential private (LDP) right-censored survival data in which both the event times and the event indicators are privatized. Our estimator simultaneously de-biases the perturbation applied to the times and the errors induced by flipping the event indicators due to LDP. Theoretically, we establish the uniform consistency and point-wise asymptotic normality of the de-biased distribution estimator, and derive its uniform convergence rate together with the optimal bandwidth attaining that rate. Simulation studies and the analysis of a semi-synthetic dataset generated from the METABRIC breast cancer cohort demonstrate the performance of the proposed estimator across privacy budgets, censoring levels, and sample sizes. By the post-processing property of DP, the proposed de-biased estimator inherits the privacy guarantee while restoring valid inference on the survivor function.
• Abstract（参考訳）: 時系列データの共有は、臨床研究における個々の参加者に関する機密情報を漏洩させる可能性がある。 データプライバシーを保護するために、差分プライバシー(DP)フレームワークはデータ共有の厳格な保護を提供する。 差分プライバシーのローカル版は、データ所有者やコントリビュータを去る前に各レコードが乱れてしまうため、特に魅力的だ。 しかし、インジェクトされた摂動は、ソースデータの真の分布を歪曲し、低ユーティリティと、解放されたデータに対する不正な統計的推測をもたらす。 本研究では,イベント時間とイベントインジケータの両方が民営化されている,局所微分プライベート(LDP)によるデコンボリューションカーネル関数による真の生存関数の非パラメトリック推定器を提案する。 我々の推定器は同時に、LPPによる事象指標の反転によって引き起こされる時間や誤差に適用される摂動を除去する。 理論的には、非バイアス分布推定器の一様整合性と点-漸近正規性を確立し、その一様収束率と、その速度を達成する最適帯域幅を導出する。 METABRICの乳がんコホートから生成される半合成データセットのシミュレーション研究と解析により、プライバシー予算、検閲レベル、サンプルサイズにまたがる推定器の性能が示された。 DPのポストプロセッシング特性により、提案された非バイアス推定器は、サバイバル関数に対する有効な推論を復元しながら、プライバシ保証を継承する。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• 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)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Simulation-based Bayesian Inference from Privacy Protected Data [0.0]
  プライバシ保護されたデータセットからのシミュレーションに基づく推論手法を提案する。 本稿では,感染性疾患モデルと通常の線形回帰モデルに基づく個別時系列データについて述べる。
  論文  参考訳（メタデータ） (2023-10-19T14:34:17Z)
• 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)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。