Differentially Private Estimation of Heterogeneous Causal Effects
异质性因果效应的差分隐私估计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：摘要直接研究 CATE 与异质性处理效应，并比较 S、DR 和 R 等因果学习器，差分隐私是其推断约束。
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…
异质性因果效应的差分隐私估计
- 研究问题
- 使用医疗或社会科学敏感数据估计条件平均处理效应时，如何提供差分隐私保证，并理解不同估计流程的精度损失？
- 方法与思路
- 作者提出兼容单阶段与多阶段 CATE 估计器的元算法，利用样本分割和差分隐私并行组合分析隐私，并以 DP-EBM 实现。
- 材料陈述的贡献
- 摘要称，实验中多阶段 CATE 估计器的精度损失更大，差分隐私造成的主要损失来自方差增加，而非处理效应估计偏差。
- 阅读关注点
- 应核对隐私定义与预算分配、样本分割和基础学习器的实现，以及因果识别条件、估计目标和偏差方差分解的实验依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出隐私预算、数据和误差数值，隐私保证也不替代因果识别条件。
原文摘要
Estimating heterogeneous treatment effects in domains such as healthcare or social science often involves sensitive data where protecting privacy is important. We introduce a general meta-algorithm for estimating conditional average treatment effects (CATE) with differential privacy (DP) guarantees. Our meta-algorithm can work with simple, single-stage CATE estimators such as S-learner and more complex multi-stage estimators such as DR and R-learner. We perform a tight privacy analysis by taking advantage of sample splitting in our meta-algorithm and the parallel composition property of differential privacy. In this paper, we implement our approach using DP-EBMs as the base learner. DP-EBMs are interpretable, high-accuracy models with privacy guarantees, which allow us to directly observe the impact of DP noise on the learned causal model. Our experiments show that multi-stage CATE estimators incur larger accuracy loss than single-stage CATE or ATE estimators and that most of the accuracy loss from differential privacy is due to an increase in variance, not biased estimates of treatment effects.