异质因果效应的差分隐私估计
机器学习
2022-02-23 v1 密码学与安全
机器学习
计量经济学
摘要
在医疗或社会科学等领域估计异质处理效应常涉及敏感数据，保护隐私十分重要。我们引入一种通用元算法，用于在差分隐私(DP)保证下估计条件平均处理效应(CATE)。我们的元算法可作用于简单的单阶段CATE估计器（如S-learner）和更复杂的多阶段估计器（如DR和R-learner）。我们通过利用元算法中的样本分割与差分隐私的并行组合性质，进行了紧致的隐私分析。本文中，我们使用DP-EBMs作为基学习器来实现该方法。DP-EBMs是具有隐私保证的可解释高精度模型，使我们能直接观察DP噪声对所学因果模型的影响。我们的实验表明，多阶段CATE估计器比单阶段CATE或ATE估计器承受更大的精度损失，且差分隐私带来的大部分精度损失源于方差增加，而非处理效应的有偏估计。
引用
@article{arxiv.2202.11043,
title = {Differentially Private Estimation of Heterogeneous Causal Effects},
author = {Fengshi Niu and Harsha Nori and Brian Quistorff and Rich Caruana and Donald Ngwe and Aadharsh Kannan},
journal= {arXiv preprint arXiv:2202.11043},
year = {2022}
}