发表机构
Reed College（里德学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对观察性研究中的隐私保护ATE估计问题，本文提出两种基于倾向得分的差分隐私算法（改进IPW和BPS），显著降低了误差与偏差，其中BPS算法误差降低75%以上。
AI 中文摘要
在观察性研究中，平均处理效应（ATE）估计是社会科学、医学及其他领域频繁使用的基本统计工具。这些领域经常处理敏感数据，隐私保护至关重要，因此，用于ATE估计的差分隐私机制极具价值。本文提出了两种基于倾向得分的算法，用于观察性数据的ATE估计：一种改进了先前工作中使用的逆概率加权（IPW）方法，另一种则采用倾向得分分块（BPS）技术。与先前工作相比，两种算法均展现出更低的误差和更小的偏差，其中基于BPS的算法相较于先前工作，误差降低幅度经常达到75%或更多。
英文摘要
Average treatment effect (ATE) estimation in observational studies is a fundamental statistical tool used frequently in social science, medicine, and other fields. These fields often work with sensitive data where privacy protections are important, so a differentially private mechanism for ATE estimation is highly desirable. Here we present two propensity score-based algorithms for ATE estimation on observational data, one improving the inverse probability weighting (IPW) method used in prior work, and the other using blocking on the propensity score (BPS). Both show lower error and less bias than prior work, with the BPS-based algorithm frequently reducing error by 75% or more compared to prior work.
