用于发布稳定性分析结果的差分隐私方法

数据管理者和分析师可以通过促进评估已发表结果对替代分析选择的敏感性，来推动透明和可信的科学及政策制定。例如，研究人员可能希望评估当使用不同的数据点子集（例如，由人口统计学特征形成的集合）进行分析，或在数据上估计不同的模型（例如，有无对数变换）时，结果是否会发生实质性变化。发布此类稳定性分析的结果会泄露有关数据主体的信息。当底层数据是机密的时，数据管理者和分析师可能试图限制这种信息泄露。我们提出了可以满足差分隐私的稳定性分析方法，差分隐私是一种提供此类界限的数据机密性定义。我们以回归建模作为激励示例。基本思想是将数据划分为不相交的子集，计算在每个子集上已发表分析与替代分析之间差异的汇总度量，聚合这些子集估计值，并向聚合值添加噪声以满足差分隐私。我们使用回归说明了这些方法，其中分析师比较数据中不同群体的系数估计值，以及分析师在数据上拟合两个不同的模型。