Differentially Private Covariate Balancing Causal Inference
差分隐私下的协变量平衡因果推断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：摘要明确研究观察数据中的协变量平衡加权与因果效应估计，差分隐私是方法约束。
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
差分隐私下的协变量平衡因果推断
- 研究问题
- 在隐私敏感的观察数据中，当统计发布需要满足差分隐私且不能直接检查真实协变量时，如何实现处理组间平衡并估计因果效应？
- 方法与思路
- 作者提出满足差分隐私的两阶段协变量平衡加权估计器，在给定隐私预算下同时产生因果效应的点估计与区间估计。
- 材料陈述的贡献
- 摘要称方法在给定隐私预算下具有一致性和速率最优性等统计保证，并提供点估计与区间估计以应对隐私扰动造成的困难。
- 阅读关注点
- 应核对隐私邻接关系与预算分配、两阶段平衡机制，以及因果识别假设、最优速率的比较范围和区间覆盖条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明隐私预算与样本量的关系、完整识别条件或最优性所对应的参数空间。
原文摘要
Differential privacy is the leading mathematical framework for privacy protection, providing a probabilistic guarantee that safeguards individuals' private information when publishing statistics from a dataset. This guarantee is achieved by applying a randomized algorithm to the original data, which introduces unique challenges in data analysis by distorting inherent patterns. In particular, causal inference using observational data in privacy-sensitive contexts is challenging because it requires covariate balance between treatment groups, yet checking the true covariates is prohibited to prevent leakage of sensitive information. In this article, we present a differentially private two-stage covariate balancing weighting estimator to infer causal effects from observational data. Our algorithm produces both point and interval estimators with statistical guarantees, such as consistency and rate optimality, under a given privacy budget.