PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects
PrivATE：平均处理效应的差分隐私置信区间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：摘要直接研究观察数据平均处理效应的双重稳健估计与置信区间。
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…
PrivATE：平均处理效应的差分隐私置信区间
- 研究问题
- 使用敏感观察数据估计平均处理效应时，如何满足差分隐私要求，并在置信区间中同时反映估计误差和隐私扰动误差？
- 方法与思路
- 作者通过输出扰动估计隐私保护的平均处理效应，以双重稳健方式估计隐私保护方差，再整合两类不确定性构造区间。
- 材料陈述的贡献
- 摘要称，PrivATE 是模型无关、双重稳健且可构造有效区间的框架，并以合成数据和真实医疗数据展示其效果。
- 阅读关注点
- 应核对观察数据中的因果识别条件、隐私预算分配、扰动机制及方差估计，并检查双重稳健性与区间覆盖的具体保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整条件或覆盖结果，作者关于首创性的表述也未经核验。
原文摘要
The average treatment effect (ATE) is widely used to evaluate the effectiveness of drugs and other medical interventions. In safety-critical applications like medicine, reliable inferences about the ATE typically require valid uncertainty quantification, such as through confidence intervals (CIs). However, estimating treatment effects in these settings often involves sensitive data that must be kept private. In this work, we present PrivATE, a novel machine learning framework for computing CIs for the ATE under differential privacy. Specifically, we focus on deriving valid privacy-preserving CIs for the ATE from observational data. Our PrivATE framework consists of three steps: (i) estimating the differentially private ATE through output perturbation; (ii) estimating the differentially private variance in a doubly robust manner; and (iii) constructing the CIs while accounting for the uncertainty from both the estimation and privatization steps. Our PrivATE framework is model agnostic, doubly robust, and ensures valid CIs. We demonstrate the effectiveness of our framework using synthetic and real-world medical datasets. To the best of our knowledge, we are the first to derive a general, doubly robust framework for valid CIs of the ATE under ($\varepsilon,δ$)-differential privacy.