一种差分隐私加权经验风险最小化方法及其在结果加权学习中的应用

在经验风险最小化（ERM）框架下，使用包含个人信息的数据构建预测模型是一种常见做法。尽管这些模型在预测上可以高度准确，但共享在敏感数据上训练得到的这些模型的结果可能易受隐私攻击。差分隐私（DP）是一个极具吸引力的框架，它通过提供数学上可证明的隐私损失界限来解决此类数据隐私问题，该界限针对从敏感数据发布信息时的隐私损失。先前的工作主要集中于将 DP 应用于无加权 ERM。我们考虑加权 ERM（wERM），这是一项重要的推广，其中每个个体对目标函数的贡献可被赋予不同的权重。我们提出了首个针对一般 wERM 的差分隐私算法，具有理论上的 DP 保证。将现有的 DP-ERM 过程扩展到 wERM，为推导个体化治疗规则（包括流行的结局加权学习（OWL））的隐私保护学习方法开辟了路径。我们在模拟研究和真实临床试验中评估了应用于 OWL 的 DP-wERM 框架的性能。所有实证结果都证明了通过具有 DP 保证的 wERM 训练 OWL 模型的可行性，同时保持足够稳健的模型性能，为在涉及敏感数据的真实场景中实施所提出的隐私保护 OWL 程序提供了有力证据。