在本地差分隐私下比较总体均值：显著性与功效

统计假设检验根据来自总体的样本决定是否应拒绝某个假设。特别是，使用例如 t 检验来比较总体均值的随机对照实验（或 A/B 测试）已被广泛部署于科技公司以辅助做出数据驱动的决策。这些测试中使用的样本收集自用户，可能包含敏感信息。数据收集和测试过程均可能损害个人隐私。在本文中，我们研究如何在保护隐私的同时进行假设检验以比较总体均值。我们使用本地差分隐私的概念，该概念最近已成为确保每个个人隐私的主要工具，而无需受信任的数据收集者。我们提出了 LDP 测试，在收集样本之前向每个用户的数据中注入噪声（因此用户无需信任数据收集者），并以有界的第一类错误（显著性水平）和第二类错误（1 - 功效）得出结论。我们的方法可以扩展到部分用户要求 LDP 而部分用户愿意提供精确数据的场景。我们报告了在真实世界数据集上的实验结果，以验证我们方法的有效性。