Private Rate-Double-Robust Inference
局部隐私保护下的速率双重稳健推断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。
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：摘要的理论对象包含因果参数，并研究这些目标在隐私机制下的双重稳健推断；因果推断是其明确列出的适用方向。
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
局部隐私保护下的速率双重稳健推断
- 研究问题
- 当个体敏感数据经局部隐私机制加噪后才可用于分析时，如何保留目标参数的速率双重稳健性，并兼顾无偏性与半参数效率？
- 方法与思路
- 作者设计机制将敏感数据模型的半参数性质转移到隐私模型，构造保留收敛性质的私有非参数估计，并研究参数化矩估计。
- 材料陈述的贡献
- 摘要称，适当隐私机制可转移速率双重稳健性，实现局部隐私下无偏且半参数有效的推断，并提供干扰参数估计与大样本理论。
- 阅读关注点
- 核对隐私机制及保护强度、目标参数类、两类干扰误差的速率权衡，并检查无偏性、效率界与收敛性质转移的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明隐私强度、完整正则条件及效率比较基准，不能外推至任意加噪方式。
原文摘要
We reconcile privacy protection and rate-double-robust inference. The privacy of individuals is protected by a local privacy mechanism: injecting noise into their sensitive data, revealing only the noisy data for inference. Hence, privacy protection hinders inference. In contrast, the inference of a target parameter is rate-double-robust when the large-sample bias of an estimator of the parameter is characterised by a trade-off between the estimation errors of two other, nuisance, parameters. Hence, rate-double-robustness facilitates inference. Our starting point of reconciliation is a class of rate-double-robust target parameters indexed linearly by an infinite-dimensional and nonlinearly by a low-dimensional regression. Among others, this includes causal parameters. To infer these targets privately, we show how suitable privacy mechanisms transfer the semiparametric properties of the sensitive-data model to the private setting. Rate-double-robustness is transferred, enabling locally-private, unbiased and semiparametrically efficient inference of our target parameters. Finally, we transform general nonparametric nuisance estimators into private ones, which inherit convergence properties of their nonprivate counterparts. For parametric nuisance models, we develop a private method-of-moments estimator and its large-sample inference theory.