Differentially Private Two-Stage Gradient Descent for Instrumental Variable Regression
工具变量回归的差分隐私两阶段梯度下降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：摘要以工具变量回归和矩条件估计为核心，对应因果推断中的工具变量方法。
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…
工具变量回归的差分隐私两阶段梯度下降
- 研究问题
- 在线性工具变量回归中，如何保护敏感协变量和工具变量，同时建立算法收敛保证并量化优化、隐私与抽样误差的权衡？
- 方法与思路
- 作者提出带噪声的两阶段梯度下降，在梯度更新中校准噪声以满足 ρ 零集中差分隐私，并分析有限样本收敛误差。
- 材料陈述的贡献
- 摘要称，算法在保留隐私保证时具有一致性，并给出三类误差权衡的界；合成与真实数据实验展示准确度和隐私的取舍。
- 阅读关注点
- 应核对工具变量相关条件、数据范围和噪声校准、步长及迭代规则，以及一致性成立时隐私预算与样本量的关系。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；具体收敛条件与实验数值未说明，首创性属于作者陈述，尚未独立核验。
原文摘要
We study instrumental variable regression (IVaR) under differential privacy constraints. Classical IVaR methods (like two-stage least squares regression) rely on solving moment equations that directly use sensitive covariates and instruments, creating significant risks of privacy leakage and posing challenges in designing algorithms that are both statistically efficient and differentially private. We propose a noisy two-stage gradient descent algorithm that ensures $ρ$-zero-concentrated differential privacy by injecting carefully calibrated noise into the gradient updates. Our analysis establishes finite-sample convergence rates for the proposed method, showing that the algorithm achieves consistency while preserving privacy. In particular, we derive precise bounds quantifying the trade-off among optimization, privacy, and sampling error. To the best of our knowledge, this is the first work to provide both privacy guarantees and provable convergence rates for instrumental variable regression in linear models. We further validate our theoretical findings with experiments on both synthetic and real datasets, demonstrating that our method offers practical accuracy-privacy trade-offs.