Knockoff inference under privacy constraints
隐私约束下的 Knockoff 推断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：摘要讨论通用变量选择中的隐私与多重检验控制，未涉及所列计量领域的特定模型或经济应用，因此不作细分归类。
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
隐私约束下的 Knockoff 推断
- 研究问题
- 如何在 model-X knockoff 变量选择中实现差分隐私，同时保留错误发现率控制，并评估隐私噪声对检验功效的影响？
- 方法与思路
- 作者将 knockoff 推断置于差分隐私框架，分析隐私保护与错误发现率控制，并研究隐私噪声不损害渐近功效的充分条件。
- 材料陈述的贡献
- 摘要称，该方法兼顾隐私保护与原程序的精确错误发现率控制，建立功效分析条件，并展示低维和高维变量选择应用。
- 阅读关注点
- 应核对隐私保护的对象与预算、knockoff 生成所需信息，以及精确错误发现率控制和渐近功效保证各自依赖的条件。
- 阅读边界
- 仅据所给 Crossref 网络首发摘要；具体隐私参数、充分条件和应用结果未说明，不能推断后续刊本变化或无条件的功效保证。
原文摘要
Abstract Model-X knockoff framework offers a model-free variable selection method that ensures finite-sample false discovery rate (FDR) control. However, the complexity of generating knockoff variables, coupled with the model-free assumption, presents significant challenges for protecting data privacy in this context. We propose a comprehensive framework for knockoff inference within the differential privacy paradigm. Our proposed method guarantees robust privacy protection while preserving the exact FDR control entailed by the original model-X knockoff procedure. We further conduct power analysis and establish sufficient conditions under which the noise added for privacy preservation does not asymptotically compromise power. Through various applications, we demonstrate that the differential privacy knockoff method can be effectively utilized to safeguard privacy during variable selection with FDR control in both low and high dimensional settings.