联邦统计分析：非参数检验与分位数估计
统计方法学
2023-08-22 v1
摘要
大数据时代激发了人们对加速学习的期望。大型数据集的可用性使研究者能开展更有力的统计分析，并提升基于广泛对象集合所得结论的可靠性。此类数据集通常只能借助访问多样来源来组装；例如，结合多中心数据的医学研究即采用联邦分析。然而这些期望须与数据隐私顾虑相权衡，后者阻碍了原始数据在中心间的共享。因此，联邦分析通常转而共享各中心的数据摘要。仅限于摘要的风险在于可能削弱统计分析程序的效率。本文细致考察联邦分析对两个非常基本问题的影响：两组的非参数比较，以及用于描述相应分布的分位数估计。我们还提出了一种满足 -匿名准则、面向联邦分析的特定隐私保护数据发布策略，该准则已被欧洲人脑计划的医学信息学平台采纳。我们的结果表明，对于所考察任务，统计效率仅有轻微损失。
引用
@article{arxiv.2308.10194,
title = {Federated Statistical Analysis: Non-parametric Testing and Quantile Estimation},
author = {Ori Becher and Mira Marcus-Kalish and David M. Steinberg},
journal= {arXiv preprint arXiv:2308.10194},
year = {2023}
}