PrivATE：面向观察性数据的差分隐私平均处理效应估计
密码学与安全
2025-12-17 v1
摘要
因果推断在多个学科的科学研究中发挥着关键作用。从观察性数据估计因果效应，特别是平均处理效应（ATE），受到广泛关注。然而，从真实世界的观察性数据计算ATE会对用户带来显著的隐私风险。差分隐私作为提供严格理论保证的隐私保护方法，已成为隐私保留数据分析的标准方法。然而，现有的差分隐私ATE估计方法依赖于特定假设，提供有限的隐私保护，或未能提供全面的信息保护。为了此目的，我们引入PrivATE，一个确保差分隐私的实用ATE估计框架。事实上，各种场景需要不同的隐私保护水平。例如，仅成绩单在教育评估中通常被视为敏感信息，而所有类型的医疗记录数据通常都被视为私有信息。为适应不同的隐私要求，我们在PrivATE中设计了两种级别（即标签级别和样本级别）的隐私保护。通过推导自适应匹配限制，PrivATE有效地平衡了噪声引起的误差和匹配误差，从而导致ATE估计更准确。我们的评估验证了PrivATE的有效性。PrivATE在所有数据集和隐私预算上均优于基线方法。
引用
@article{arxiv.2512.14557,
title = {PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data},
author = {Quan Yuan and Xiaochen Li and Linkang Du and Min Chen and Mingyang Sun and Yunjun Gao and Shibo He and Jiming Chen and Zhikun Zhang},
journal= {arXiv preprint arXiv:2512.14557},
year = {2025}
}
备注
To appear in the NDSS 2026 Symposium, February 2026, San Diego, CA, USA