A Bias-Accuracy-Privacy Trilemma for Statistical Estimation
统计估计中的偏差-精度-隐私三难困境AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为差分隐私下的统计估计理论，属于隐私与统计学习交叉方向，与所列微观计量、宏观计量及金融计量细分领域均无直接文本对应，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
统计估计中的偏差-精度-隐私三难困境
- 研究问题
- 研究在差分隐私约束下估计分布均值时，裁剪带来的统计偏差、估计误差与隐私损失之间是否存在不可避免的权衡，以及在何种隐私定义与分布假设下可实现无偏均值估计。
- 方法与思路
- 作者从理论上分析先裁剪再加噪的经典差分隐私均值估计流程，证明不存在同时具备低偏差、低误差与低隐私损失的通用算法，并分别考察纯/集中差分隐私与近似差分隐私下的无偏估计可能性。
- 材料陈述的贡献
- 摘要称证明了任意分布下偏差、误差与隐私损失三者不可兼得；在纯或集中差分隐私下即使数据来自高斯分布也无法无偏估计均值；而在近似差分隐私且分布对称时可实现无偏均值估计。
- 阅读关注点
- 应核对三难困境定理的确切形式与假设、无偏性结论所依赖的对称性条件、隐私参数的具体设定，以及补充材料中可复现描述是否覆盖全部证明与实验。
- 阅读边界
- 仅有摘要，无法判断证明细节、常数与适用范围；来源版本未注明，不能据此声称已同行评审或期刊接收，也不代表已核实全部结论。
原文摘要
Differential privacy (DP) is a rigorous notion of data privacy, used for private statistics. The canonical algorithm for differentially private mean estimation is to first clip the samples to a bounded range and then add noise to their empirical mean. Clipping controls the sensitivity and, hence, the variance of the noise that we add for privacy. But clipping also introduces statistical bias. This tradeoff is inherent: we prove that no algorithm can simultaneously have low bias, low error, and low privacy loss for arbitrary distributions. Additionally, we show that under strong notions of DP (i.e., pure or concentrated DP), unbiased mean estimation is impossible, even if we assume that the data is sampled from a Gaussian. On the positive side, we show that unbiased mean estimation is possible under a more permissive notion of differential privacy (approximate DP) if we assume that the distribution is symmetric. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.