隐私约束下的Knockoffs推断
统计方法学
2025-06-12 v1 机器学习
摘要
Model-X knockoff框架提供了一种模型无关的变量选择方法，确保有限样本错误发现率（FDR）控制。然而，生成knockoff变量的复杂性，加上模型无关的假设，在此背景下为保护数据隐私带来了重大挑战。在本文中，我们提出了一套在差分隐私范式下进行knockoff推断的全面框架。我们的方法在保留原始model-X knockoff程序所蕴含的精确FDR控制的同时，保证了稳健的隐私保护。我们进一步进行了功效分析，并建立了噪声添加用于隐私保护不会渐近地损害功效的充分条件。通过各种应用，我们证明了差分隐私knockoff（DP-knockoff）方法能够有效地用于在低维和高维设置中保护变量选择时的隐私，同时保持FDR控制。
引用
@article{arxiv.2506.09690,
title = {Knockoffs Inference under Privacy Constraints},
author = {Zhanrui Cai and Yingying Fan and Lan Gao},
journal= {arXiv preprint arXiv:2506.09690},
year = {2025}
}