Differentially Private Estimation and Inference in High-Dimensional Regression with FDR Control
高维回归中的差分隐私估计与推断及FDR控制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：摘要主题为高维线性回归的差分隐私估计、推断与多重检验，属于计量方法与统计理论，未直接对应所提供的因果推断、面板、时间序列、资产定价等领域细分，故留空。
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…
高维回归中的差分隐私估计与推断及FDR控制
- 研究问题
- 摘要称，本文研究高维线性回归中可实际操作的差分隐私估计与推断问题，包括稀疏参数选择、对部分回归系数的隐私保护推断，以及隐私保护下的多重检验与错误发现率控制。
- 方法与思路
- 作者提出差分隐私贝叶斯信息准则（DP-BIC）用于选择未知稀疏参数，无需事先知道模型稀疏度；提出DP去偏算法对部分回归参数做隐私保护推断；并引入DP多重检验程序以控制FDR。
- 材料陈述的贡献
- 摘要称其方法利用高维线性回归的固有稀疏性实现隐私保护推断，并允许在控制FDR的同时准确识别显著预测变量；通过大量模拟和真实数据分析展示所提方法的有效性。
- 阅读关注点
- 阅读全文时应核对：DP-BIC的选择一致性或理论保证、DP去偏算法的隐私预算与渐近分布、FDR控制是在何种假设与检验相关性结构下成立，以及模拟与实证的具体设置和对照方法。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、隐私预算取值、有限样本表现与实证数据来源；摘要未说明这些方法相对已有DP高维方法的理论或数值优势。该文为arXiv预印本，未经同行评审验证。
原文摘要
This paper proposes new methodologies for conducting practical differentially private (DP) estimation and inference in high-dimensional linear regression. We first introduce a DP Bayesian Information Criterion (DP-BIC) for selecting the unknown sparsity parameter in differentially private sparse linear regression (DP-SLR), eliminating the need for prior knowledge of model sparsity, which is a requisite in the existing literature. Next, we develop the DP debiased algorithm that enables privacy-preserving inference on a particular subset of regression parameters. Our proposed method enables privacy-preserving inference on the regression parameters by leveraging the inherent sparsity of high-dimensional linear regression models. Additionally, we address private feature selection by considering multiple testing in high-dimensional linear regression by introducing a DP multiple testing procedure that controls the false discovery rate (FDR). This allows for accurate and privacy-preserving identification of significant predictors in the regression model. Through extensive simulations and real data analyses, we demonstrate the effectiveness of our proposed methods in conducting inference for high-dimensional linear models while safeguarding privacy and controlling the FDR.