Locally differentially private two-sample testing
局部差分隐私约束下的双样本检验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。
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：摘要研究隐私约束下的通用分布检验，未明确涉及因果分布效应或其他所列经济计量方向。
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
局部差分隐私约束下的双样本检验
- 研究问题
- 当研究者只能利用满足局部差分隐私的观测版本时，如何实施双样本置换检验，交互是否能改善可检测差异？
- 方法与思路
- 作者构造非交互与交互式检验，分别处理一般离散分布和满足光滑约束的连续分布，并分析置换程序。
- 材料陈述的贡献
- 摘要称，检验达到相差对数因子的最优分离率，交互改善极小极大速率，并放宽置换检验中的样本量平衡要求。
- 阅读关注点
- 应核对隐私机制与交互权限、连续分布光滑类、分离距离，以及样本量不平衡如何影响误差控制与检测能力。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体隐私预算、速率公式或交互的实施成本；不推断其他版本变化。
原文摘要
SUMMARY We consider the problem of two-sample testing under a local differential privacy constraint using a permutation procedure. We develop testing procedures that are optimal up to logarithmic factors for general discrete distributions and continuous distributions subject to a smoothness constraint. Both noninteractive and interactive tests are considered, and we show that allowing interactivity results in an improvement in the minimax separation rates. Our results show that permutation procedures remain feasible in practice under local privacy constraints, despite the inability to perturb the nonprivate data directly and the ability to perturb only the private views. Furthermore, through a tighter theoretical analysis of the permutation procedure, we are able to relax a balanced-sample-size assumption imposed in the permutation-testing literature, regardless of the presence of the privacy constraint. Lastly, we conduct numerical experiments that demonstrate the performance of our proposed test and verify the theoretical findings, especially the improved performance enabled by allowing interactivity.