差分隐私 Kaplan-Meier 估计器：用于隐私保护生存分析

本文提出了一种差分隐私方法，用于 Kaplan-Meier 估计，在保障个体隐私的同时实现准确的生存概率估计。Kaplan-Meier 估计器广泛用于生存分析，以估计随时间变化的生存函数，但将其应用于临床记录等敏感数据集风险会泄露私人信息。为此，我们引入一种新型算法，通过对时间索引的拉普拉斯噪声、动态裁剪和平滑处理，生成符合隐私保护要求的生存曲线，同时保持 Kaplan-Meier 估计器的累积结构。通过按时间比例缩放噪声，算法考虑随风险个体数量减少而导致的敏感性降低；动态裁剪和平滑可防止极端值并降低波动，保留生存曲线的自然形状。我们的结果在 NCCTG 肺癌数据集上进行评估，显示该方法在各个隐私预算 ($\epsilon$) 下有效降低均方根误差 (RMSE)，并在准确性方面取得提升。当 $\epsilon = 10$ 时，算法实现的 RMSE 最小可达 0.04，接近非私有估计值。此外，成员推断攻击表明，较高的 $\epsilon$ 值（如 $\epsilon \geq 6$）显著降低了影响点，尤其是在较高阈值处，从而降低了推断攻击的易受性。这些发现表明，我们的方法在隐私与实用性之间取得了平衡，推动了隐私保护生存分析的发展。