pMSE Mechanism: Differentially Private Synthetic Data with Maximal Distributional Similarity
我们提出了一种方法，用于释放差异私人合成数据集。在许多情况下，数据包含敏感值，不能以原始形式发布，以保护个人隐私。合成数据是一种释放替代值的保护方法，而差分隐私（DP）是量化隐私损失的形式化保证。我们提出了一种方法，最大限度地提高合成数据相对于原始数据的分布相似性，使用称为pMSE的措施，同时保证ε差分隐私。此外，我们放松共同的DP假设的原始数据的分布和有界性。我们证明了隐私保证的理论结果，并提供了典型的计算限制下的理论结果的经验失败率的模拟。我们还给出了模拟的准确性的线性回归系数的合成数据相比，非差分私人合成数据和其他差分私人方法的准确性。此外，我们的理论结果扩展了先前的基尼指数的敏感性，包括连续的预测结果。
2018-05-23 stat.ME
Differentially Private Hypothesis Testing with the Subsampled and Aggregated Randomized Response Mechanism
随机应答是分析机密数据的最古老和最知名的方法之一。然而，它的效用差异私人假设检验是有限的，因为它不能同时实现高隐私级别和低第一类错误率。在本文中，我们将展示如何使用子样本和聚合技术来克服这个问题。其结果是一个通用的方法，可用于频率和贝叶斯测试。{{We举例说明我们的建议在三种情况下的性能：线性回归模型的拟合优度检验，Wilcoxon检验的位置参数的非参数检验，以及非参数Kruskal-Wallis检验。
2023-03-03 stat.ME
Differentially private scale testing via rank transformations and percentile modifications
本文提出RPST差分隐私双样本尺度检验，证明其隐私性与第一类错误控制，并通过模拟揭示秩变换增长速率在功效与敏感性间的权衡，同时改进差分隐私符号秩检验。
2025-07-04 cs.LG stat.ME
Differentially Private Finite Population Estimation via Survey Weight Regularization
针对调查加权统计的差分隐私发布难题，提出通过私有估计超参数来正则化调查权重，在偏差、精度与隐私间取得平衡，并以收入动态面板研究验证，最优策略噪声比朴素方法少几个数量级。
2024-11-06 cs.CR stat.ME
Differentially Private Survival Function Estimation
Simon Fraser University（西蒙弗雷泽大学）
生存函数估计在许多学科中使用，但在医学分析中最常见的是Kaplan-Meier估计量的形式。敏感数据（患者记录）用于估计，而对信息泄露没有任何明确的控制，这是一个重大的隐私问题。我们提出了第一个差分私人估计的生存函数，并表明它可以很容易地扩展到提供差分私人置信区间和测试统计量，而无需花费任何额外的隐私预算。我们进一步提供了扩展的差分私人估计的竞争风险的累积发病率函数，纳尔逊-Aalen的估计的危险函数等，使用11个现实生活中的临床数据集，我们提供的经验证据表明，我们提出的方法提供了良好的实用性，同时提供强大的隐私保证。
2020-01-14 cs.LG stat.ME stat.ML
Differentially Private Nonparametric Hypothesis Testing
假设检验是数据挖掘的重要统计工具，也是许多领域科学研究的主力。在这里，我们研究分类变量和连续变量之间独立性的差异私人测试。我们以传统的非参数检验为起点，它不需要分布假设（例如，正态性（normality）。我们提出了私人类似物的Kruskal-Wallis，Mann-Whitney和Wilcoxon符号秩检验，以及参数单样本t检验。这些测试使用专门为私人设置开发的新颖的检验统计量。我们将我们的测试与先前的工作进行比较，包括参数和非参数测试。我们发现，在所有情况下，我们的新的非参数检验实现了大的改进，在统计功效，即使当参数检验的假设得到满足。
2019-03-22 cs.CR stat.ME
Differentially Private Boxplots
本文提出差分隐私箱线图，解决现有差分隐私可视化研究不足问题，理论证明其位置和尺度估计具最优样本复杂度，偏度和尾部一致估计，模拟与真实数据分析显示其性能接近非私有箱线图且优于朴素方法。
2025-01-27 stat.AP stat.ME stat.OT
Differentially Private Confidence Intervals
正态分布数据的总体均值的置信区间是人们可能希望从数据库中获得的一些最标准的统计输出。在这项工作中，我们给这个任务的实际差分隐私算法。我们提供了五种算法，然后将它们相互比较，并与以前的工作进行比较。我们给具体的，实验分析其准确性，并发现我们的算法提供了更准确的置信区间比以前的工作。例如，在一个设置中（ε = 0.1，n = 2782），我们的算法产生的区间仅为先前工作标准集大小的1/15。
2020-01-07 cs.CR stat.ME
Statistical Properties of Sanitized Results from Differentially Private Laplace Mechanism with Univariate Bounding Constraints
在发布和共享数据和信息时，保护个人隐私是一个共同关注的问题。差分隐私（DP）形式化隐私的概率条款，而不做假设的背景知识的数据入侵者，从而提供了一个强大的隐私保护的概念。DP的实际应用涉及开发差异隐私机制，以在预先指定的隐私预算中生成经过消毒的结果。对于具有诸如比例和相关系数之类的公共已知边界的统计数据的净化，边界约束将需要被并入差分私有机制中。有很少的工作检查的后果的边界约束的准确性的消毒结果和统计推断的人口参数的基础上消毒的结果。在本文中，我们形式化的差分私人截断和边界膨胀截断（BIT）的程序发布统计与公开已知的边界约束。截断和BIT拉普拉斯程序的统计精度和有效性的消毒统计的影响进行了评估，通过模拟研究的理论和经验。
2019-05-26 cs.CR stat.ME
Differentially Private Confidence Intervals for Proportions under Stratified Random Sampling
针对调查抽样场景下缺乏差分隐私置信区间严谨方法的问题，本文提出三种分层随机抽样下比例的差分隐私置信区间算法，分析其隐私保障与渐近性质，并通过模拟和1940年人口普查数据应用验证有效性。
2024-04-11 cs.CR stat.ME
Differentially Private E-Values
FGV EMAp
针对E值可能泄露敏感数据的问题，提出基于有偏乘性噪声机制的通用框架，将非隐私E值转换为保持统计有效性的差分隐私E值，其渐近功效与非隐私版本相当，在多场景实验中验证了有效性与广泛适用性。
2025-10-21 cs.CR cs.LG stat.ME
Differentially private hypothesis testing in survival analysis
University of Warwick（华威大学）
本文研究了生存分析中差分隐私假设检验的问题，提出了针对Cox回归系数的隐私部分似然比检验和分数型检验，以及累积危险函数的隐私分布式两样本检验，并证明了差分隐私和有限样本检验保证以及最小最大下界，揭示了隐私在统计上可忽略、主导检验速率以及半参数生存模型中最优隐私检验率仍待解决的问题。
2026-05-16 math.ST stat.ME stat.TH
Computationally tractable robust differentially private mean estimation
Department of Mathematics and Statistics（数学与统计学系）
提出一种名为“气球均值”的新差分隐私均值估计器，通过扩展马氏距离球上的迭代裁剪实现计算可处理性、鲁棒性及零集中差分隐私，理论保证在重尾和污染椭圆模型下的统计性能与鲁棒性。
2026-08-18 cs.LG stat.ME stat.ML
Optimal differentially private kernel learning with random projection
Department of Mathematical Sciences, KAIST（数学科学系，韩国科学技术院）；Department of Industrial and Systems Engineering, KAIST（工业与系统工程系，韩国科学技术院）
本文提出基于随机投影的差分隐私核ERM算法，在经验风险最小化框架下实现平方损失和Lipschitz光滑凸损失函数的最小最大最优超额风险率。
2026-04-29 cs.LG stat.ME stat.ML
Differentially Private Range Queries with Correlated Input Perturbation
Rutgers University（罗格斯大学）
本文提出一种利用相关输入扰动的差分隐私范围查询机制，通过级联采样算法实现无偏、一致且统计透明的近最优效用，并有效与其他方法竞争。
2024-11-06 cs.CR cs.LG stat.ME
Differentially Private Exponential Random Graphs
我们提出的方法来释放和分析合成图，以保护个人关系的社交网络所捕获的隐私。建议的技术旨在拟合和估计的指数随机图模型（ERGMs）在一个不同的私人的方式，从而提供严格的隐私保证。更具体地说，我们使用的随机响应机制下释放网络$ε$边缘差分隐私。为了保持统计推断的实用性，将原始图视为缺失，我们提出了一种使用基于似然的推断和马尔可夫链蒙特卡罗（MCMC）技术来将ERGM拟合到所产生的合成网络的方法。我们展示了一个真实的数据例子所提出的技术的实用性。
2015-04-15 cs.CR stat.ME stat.OT
PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects
LMU Munich（慕尼黑莱茵河大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Stanford University（斯坦福大学）
PrivATE提出一个模型无关、双重稳健的差分隐私框架，通过三步法为平均处理效应构建有效置信区间，并在合成及真实医学数据上验证。该框架首次在（ε,δ）-差分隐私下实现通用有效CI。
2025-10-10 cs.CR cs.LG stat.ME
