Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking
通过倾向得分分块实现差分隐私平均处理效应估计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中的平均处理效应，使用倾向得分、逆概率加权与分块估计，因此归入因果推断。
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…
通过倾向得分分块实现差分隐私平均处理效应估计
- 研究问题
- 在包含敏感信息的观察研究中，如何在满足差分隐私要求的同时估计平均处理效应，并减少隐私保护带来的误差与偏差？
- 方法与思路
- 作者提出两种倾向得分算法，一种改进已有逆概率加权方案，另一种按倾向得分分块，并比较其平均处理效应估计表现。
- 材料陈述的贡献
- 摘要称，两种算法相较既有方法具有更低误差和偏差，其中分块算法经常将误差降低至少四分之三，但未说明全部比较配置。
- 阅读关注点
- 应核对隐私预算与相邻数据集定义、倾向得分估计是否纳入保护，以及因果识别条件和比较方法是否使用相同隐私标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出隐私参数、识别条件及评估设计，误差降幅不能视为普遍性能保证。
原文摘要
Average treatment effect (ATE) estimation in observational studies is a fundamental statistical tool used frequently in social science, medicine, and other fields. These fields often work with sensitive data where privacy protections are important, so a differentially private mechanism for ATE estimation is highly desirable. Here we present two propensity score-based algorithms for ATE estimation on observational data, one improving the inverse probability weighting (IPW) method used in prior work, and the other using blocking on the propensity score (BPS). Both show lower error and less bias than prior work, with the BPS-based algorithm frequently reducing error by 75% or more compared to prior work.