Asymptotic Anytime-Valid Quantile Inference under Local Differential Privacy
局部差分隐私下渐近随时有效的分位数推断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：摘要核心是分位数估计与置信序列，并明确扩展到序贯 A/B 分位数处理效应检验，因此对应分布效应与因果推断方向。
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
局部差分隐私下渐近随时有效的分位数推断
- 研究问题
- 当每条记录在分析前均被随机化时，如何在线估计分位数及其未知渐近方差，并构造允许持续监测的时间一致推断？
- 方法与思路
- 作者将随机响应与动态链式并行随机梯度下降结合，用跨链二次统计量估计方差，并据强高斯近似构造渐近置信序列。
- 材料陈述的贡献
- 摘要称，该方法无需另建在线密度估计器，在链数多项式增长下获得渐近时间一致覆盖，并支持分位数最佳臂识别与序贯检验。
- 阅读关注点
- 应核对隐私预算、链增长和高斯近似的条件，区分渐近覆盖与有限样本保证，并检查分位数处理效应检验所需的实验设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供完整条件，其随时有效性为渐近结论，不能解读为有限样本精确覆盖。
原文摘要
Sequential quantile inference is difficult under local differential privacy because every record is randomized before reaching the analyst and the limiting quantile variance depends on an unknown density. We develop an online procedure that combines randomized response with dynamically chained parallel stochastic gradient descent (P-SGD). The resulting Polyak--Ruppert estimator admits a strong Gaussian approximation. A cross-chain quadratic statistic, computed entirely from private iterates, consistently estimates the limiting variance without a separate online density estimator. These results yield asymptotic confidence sequences and, under polynomial chain growth, asymptotic time-uniform coverage. Arm-wise constructions support locally private quantile best-arm identification, time-uniform simple-regret bounds, and sequential A/B tests of quantile treatment effects. Simulations and salary-data analyses illustrate the finite-sample behavior and practical use of the proposed methods.