Improving the Variance of Differentially Private Randomized Experiments through Clustering
通过聚类改善差分隐私随机实验的方差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：摘要直接研究随机实验的因果效应估计及其隐私与方差权衡；聚类是隐私机制的工具，未涉及网络干扰效应。
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…
通过聚类改善差分隐私随机实验的方差
- 研究问题
- 随机实验采用差分隐私机制时，如何利用已有聚类结构降低隐私噪声对因果效应估计精度的损失，并保持隐私保证？
- 方法与思路
- 作者提出 Cluster-DP 机制，利用给定聚类结构设计隐私处理，并构造聚类质量指标，进行理论及模拟和真实数据比较。
- 材料陈述的贡献
- 摘要称结果适用于任意聚类，而按所提指标选择质量更高的聚类可减少方差代价，同时不削弱原有差分隐私保证。
- 阅读关注点
- 应核对隐私保护对象、邻接关系和预算设定，以及聚类质量指标的含义、聚类选择的隐私成本和方差比较条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出机制细节和方差界，无法判断具体隐私预算下的精度收益。
原文摘要
Estimating causal effects from randomized experiments is only possible if participants are willing to disclose their potentially sensitive responses. Differential privacy, a widely used framework for ensuring an algorithms privacy guarantees, can encourage participants to share their responses without the risk of de-anonymization. However, many mechanisms achieve differential privacy by adding noise to the original dataset, which reduces the precision of causal effect estimation. This introduces a fundamental trade-off between privacy and variance when performing causal analyses on differentially private data. In this work, we propose a new differentially private mechanism, "Cluster-DP", which leverages a given cluster structure in the data to improve the privacy-variance trade-off. While our results apply to any clustering, we demonstrate that selecting higher-quality clusters, according to a quality metric we introduce, can decrease the variance penalty without compromising privacy guarantees. Finally, we evaluate the theoretical and empirical performance of our Cluster-DP algorithm on both real and simulated data, comparing it to common baselines, including two special cases of our algorithm: its unclustered version and a uniform-prior version.