Privacy-preserving Quantile Treatment Effect Estimation for Randomized Controlled Trials
随机对照试验中保护隐私的分位数处理效应估计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：摘要明确以随机对照试验中的分位数处理效应为估计对象，同时涉及处理效应识别与结局分布差异，支持这两个分类。
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
随机对照试验中保护隐私的分位数处理效应估计
- 研究问题
- 在实验单位具有多次观测、企业希望减少数据留存的情况下，如何利用聚合数据近似估计分位数处理效应，并提供形式化隐私保障？
- 方法与思路
- 作者以直方图聚合代替完整观测层数据，构建近似分位数处理效应分析方法，并进一步引入差分隐私机制以获得正式隐私保证。
- 材料陈述的贡献
- 摘要明确提出利用直方图聚合开展近似分位数处理效应分析，并称能够获得差分隐私保证，为数据最小化与 A/B 测试之间的冲突提供方法路径。
- 阅读关注点
- 应核对分位数处理效应的定义、直方图分箱与近似误差、单位内重复观测的处理，以及差分隐私保护单位、隐私预算和推断方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明误差界、隐私参数或区间构造，不能据此判断隐私与精度的具体权衡。
原文摘要
In accordance with the principle of "data minimization", many internet companies are opting to record less data. However, this is often at odds with A/B testing efficacy. For experiments with units with multiple observations, one popular data minimizing technique is to aggregate data for each unit. However, exact quantile estimation requires the full observation-level data. In this paper, we develop a method for approximate Quantile Treatment Effect (QTE) analysis using histogram aggregation. In addition, we can also achieve formal privacy guarantees using differential privacy.