隐私保护后随机化数据下的高效且模型无关的参数估计
Efficient and Model-Agnostic Parameter Estimation Under Privacy-Preserving Post-randomization Data
AI总结：
针对后随机化方法（PRAM）扰动的隐私保护数据下现有参数估计方法的局限，提出一种适用于通用估计方程定义参数、无模型假设的高效估计方法，且证明其达到半参数效率界。
摘要：
在发布敏感数据供公众使用时，保护个人隐私至关重要。数据去标识化虽有帮助，但还不够。本文针对采用后随机化方法（Post-Randomization Method，PRAM）扰动以增强隐私性的场景下的参数估计问题展开研究。现有PRAM数据下的参数估计方法存在局限性，如仅适用于特定参数、依赖模型且缺乏效率保证。我们提出了一种新颖的高效方法来克服这些局限。该方法适用于通过估计方程定义的通用参数，且不对底层数据模型做任何假设。我们进一步证明，所提出的估计量达到了半参数效率界，在渐近方差方面是最优的。
英文摘要：
Protecting individual privacy is crucial when releasing sensitive data for public use. While data de-identification helps, it is not enough. This paper addresses parameter estimation in scenarios where data are perturbed using the Post-Randomization Method (PRAM) to enhance privacy. Existing methods for parameter estimation under PRAM data suffer from limitations like being parameter-specific, model-dependent, and lacking efficiency guarantees. We propose a novel, efficient method that overcomes these limitations. Our method is applicable to general parameters defined through estimating equations and makes no assumptions about the underlying data model. We further prove that the proposed estimator achieves the semiparametric efficiency bound, making it optimal in terms of asymptotic variance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
