Differentially Private Two-Stage Empirical Risk Minimization with Applications to Individualized Treatment Rule
差分隐私两阶段经验风险最小化及其个体化治疗规则应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确面向因果推断中的协变量平衡加权及个体化治疗规则学习。
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…
关注这篇论文的作者
差分隐私两阶段经验风险最小化及其个体化治疗规则应用
- 研究问题
- 在先估计协变量平衡权重、再进行加权风险最小化的两阶段程序中，如何保护单个观测隐私并减少隐私带来的估计损失？
- 方法与思路
- 作者根据整个流程的数据依赖敏感度校准目标扰动，结合多种平衡权重的确定性扰动界与第二阶段解的概率敏感度界。
- 材料陈述的贡献
- 摘要称直接保护最终估计量的校准比逐阶段组合基准更紧，模拟及个体化治疗规则应用展示了改善的隐私与效用权衡。
- 阅读关注点
- 应核对隐私定义、邻接数据集及敏感度校准条件，权重扰动如何传到最终解，并审查比较基准的隐私预算与效用指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明隐私参数、正则性条件和收益数值，不能推定所有两阶段任务均受益。
原文摘要
Differential privacy provides a formal framework for releasing statistical estimators that limit how much any single observation can influence the output, by injecting calibrated random noise. We study differentially private estimation in two-stage procedures common in causal inference and individualized treatment rule (ITR) learning, in which data-dependent weights are first estimated to enforce covariate balance and a parameter of interest is then obtained by weighted empirical risk minimization. We propose Differentially Private Two-Stage Empirical Risk Minimization (DP-2ERM), which privatizes the final estimator directly through objective perturbation calibrated to the data-dependent sensitivity of the full pipeline. The analysis combines deterministic weight-perturbation bounds for several covariate-balancing methods (inverse propensity weighting, entropy balancing weighting, and maximum mean discrepancy weighting) with probabilistic sensitivity bounds for the second-stage solution. The resulting calibration is sharper than the natural stage-wise composition baseline, which the same sensitivity analysis supplies as a byproduct. Simulation studies and a benchmark application to ITR learning demonstrate the improved privacy--utility trade-off.