Knockoffs Inference under Privacy Constraints
隐私约束下的 Knockoff 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：摘要聚焦 knockoff 变量选择的隐私保护与 FDR 控制，属于统计方法与隐私推断，未直接对应所提供的因果推断、面板、时间序列或金融等细分领域。
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
隐私约束下的 Knockoff 推断
- 研究问题
- 如何在差分隐私约束下进行 Model-X knockoff 变量选择，同时保持有限样本 FDR 控制并尽量不损失检验功效。
- 方法与思路
- 作者提出差分隐私 knockoff（DP-knockoff）框架，在差分隐私范式内构造 knockoff 变量，并给出功效分析与隐私噪声不渐近损害功效的充分条件。
- 材料陈述的贡献
- 摘要称该框架在提供稳健隐私保护的同时保留原 Model-X knockoff 的精确 FDR 控制，并在低维与高维设定下展示其可用性。
- 阅读关注点
- 应核对隐私机制的具体构造、隐私预算与 FDR 保证的推导条件、功效充分条件的假设，以及低维和高维实验的设计与结果。
- 阅读边界
- 仅凭摘要无法判断定理证明细节、隐私参数取值、模拟与实证设置及实际功效表现；这是 arXiv 预印本，未经同行评审或期刊接收验证。
原文摘要
Model-X knockoff framework offers a model-free variable selection method that ensures finite sample false discovery rate (FDR) control. However, the complexity of generating knockoff variables, coupled with the model-free assumption, presents significant challenges for protecting data privacy in this context. In this paper, we propose a comprehensive framework for knockoff inference within the differential privacy paradigm. Our proposed method guarantees robust privacy protection while preserving the exact FDR control entailed by the original model-X knockoff procedure. We further conduct power analysis and establish sufficient conditions under which the noise added for privacy preservation does not asymptotically compromise power. Through various applications, we demonstrate that the differential privacy knockoff (DP-knockoff) method can be effectively utilized to safeguard privacy during variable selection with FDR control in both low and high dimensional settings.