隐私保护且可协作的 Kaplan-Meier 估计器
密码学与安全
2024-07-30 v2 应用统计
摘要
Kaplan-Meier 估计器是生存分析中的重要工具，能够刻画队列的生存行为。其准确性随大规模、多样化数据集而提升，这促使数据持有者通过协作以获得更精确的估计。然而，这些数据集常包含敏感个体信息，必须采取严格的数据保护措施，从而排除了朴素的数据共享方式。在本工作中，我们提出两种新颖的差分隐私方法，可在将差分隐私应用于数据的各类函数时提供灵活性。此外，我们提出了一种合成数据集生成技术，能够实现不同数据表示之间的轻松快速转换。利用这些方法，我们提出了多种路径，可在严格隐私保证下对 Kaplan-Meier 曲线进行联合估计。我们的贡献包括针对该任务的方法分类体系，以及基于该结构的广泛实验探索与评估。我们证明，我们的方法能够构建联合的全局 Kaplan-Meier 估计器，其遵循严格的隐私标准（），同时与非隐私的集中式估计器相比无统计显著性偏差。
引用
@article{arxiv.2305.15359,
title = {Private and Collaborative Kaplan-Meier Estimators},
author = {Shadi Rahimian and Raouf Kerkouche and Ina Kurth and Mario Fritz},
journal= {arXiv preprint arXiv:2305.15359},
year = {2024}
}