基于无损似然重构的差分隐私一次性联邦推断用于线性混合模型

一次性联邦学习能够以最少的通信实现多站点推断。然而，共享汇总统计量在站点仅有少量患者时仍可能泄露敏感个体信息。特别是，共享的交叉积汇总统计量在离散协变量下可能揭示患者层面的协变量模式。基于这一关切，本研究提出了一种针对具有随机截距工作协方差结构的线性混合模型的差分隐私一次性联邦推断框架。该方法从站点级汇总统计量重构合并似然，并对这些汇总统计量施加高斯机制进行扰动，确保站点层面的差分隐私。开发了可直接从私有化汇总统计量计算的聚类稳健方差估计量。稳健方差在协方差误设定下仍能提供有效的不确定性量化。在多站点渐近框架下，建立了所提估计量的一致性和渐近正态性，并刻画了隐私带来的主导阶统计代价。模拟研究表明，适度的隐私噪声在增加站点数量时显著降低重构风险，同时保持具有竞争力的估计精度。然而，在站点数量有限时，非常强的隐私设置可能导致不稳定的标准误。利用多站点COVID-19检测数据的应用表明，以适度的效率损失即可实现有意义的隐私保护。