模型无关的差分隐私因果推断
机器学习
2026-02-02 v3 机器学习
摘要
在医学、经济学和社会科学等领域，从观测数据中估计因果效应至关重要，而这些领域对隐私问题极为关注。我们提出了一个通用的、模型无关的框架，用于差分隐私估计平均处理效应（ATE），该框架避免了对数据生成过程或用于估计倾向得分和条件结果的模型施加强结构假设。以往的工作通过直接将这些干扰成分私有化来实施差分隐私，与此不同的是，我们的方法将干扰估计与隐私保护解耦。这种分离允许使用灵活的、SOTA 黑盒模型，而差分隐私则是通过在采用集成技术的折叠划分方案中仅对预测和聚合步骤进行扰动来实现的。我们将该框架实例化于三个经典估计器——G 公式、逆倾向加权（IPW）和增强 IPW（AIPW），并提供了形式化的效用与隐私保证，以及私有化置信区间。在合成数据和真实数据上的经验结果表明，我们的方法在现实的隐私预算下保持了具有竞争力的性能。
引用
@article{arxiv.2505.19589,
title = {Model Agnostic Differentially Private Causal Inference},
author = {Christian Janos Lebeda and Mathieu Even and Aurélien Bellet and Julie Josse},
journal= {arXiv preprint arXiv:2505.19589},
year = {2026}
}