隐私保护因果推断
机器学习
2016-08-23 v2
摘要
因果推断致力于识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题近期进展已产生实用的因果推断算法。因果推断有可能对医学研究、疾病预防与控制以及识别影响经济变化的因素等产生重大影响。然而，这些有前景的因果推断应用通常涉及需要保持隐私的用户敏感或个人数据（例如医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究在使用当前流行的因果推断框架——加性噪声模型（ANM）进行因果性推断的同时确保用户隐私的问题。我们的框架为多种ANM变体提供差分隐私保证。我们进行了大量实验，并证明我们的技术实用且易于实现。
引用
@article{arxiv.1512.05469,
title = {Private Causal Inference},
author = {Matt J. Kusner and Yu Sun and Karthik Sridharan and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:1512.05469},
year = {2016}
}