核心概念
Die Simulation-basierte "Repro Sample" Methode ermöglicht valide Konfidenzintervalle und Hypothesentests für privatisierte Daten.
摘要
Die Arbeit schlägt eine Simulation-basierte Methode vor, um valide Konfidenzintervalle und Hypothesentests für privatisierte Daten zu erstellen. Es wird gezeigt, dass diese Methode auf eine Vielzahl von privaten Inferenzproblemen anwendbar ist und die Genauigkeit im Vergleich zu anderen Methoden verbessert. Die Autoren entwickeln auch signifikante Verbesserungen und Erweiterungen für die "Repro Sample" Methodik für allgemeine Modelle, nicht unbedingt im Zusammenhang mit Datenschutz.
Die Arbeit gliedert sich in die Einführung, Hintergrund, Konfidenzintervalle, Repro Sample Konfidenzintervalle, Simulation-basierte Konfidenzintervalle und schließt mit verwandten Arbeiten.
Einführung
Datenschutzmethoden wie differentiell private Mechanismen führen zu komplexen und unzugänglichen Stichprobenverteilungen.
Hintergrund
Differential Privacy (DP) ist der aktuelle Stand der Technik im Datenschutz.
Konfidenzintervalle
Es besteht Bedarf an allgemeinen Methoden für statistische Inferenzen bei privatisierten Daten.
Repro Sample Konfidenzintervalle
Die "Repro Sample" Methodik bietet valide Konfidenzintervalle und Hypothesentests für privatisierte Daten.
Simulation-basierte Konfidenzintervalle
Die Simulation-basierte Inferenz ermöglicht die Erstellung von Konfidenzintervallen mit garantierter Abdeckung und Typ-I-Fehlern.
統計資料
Die Autoren zeigen, dass ihre Methode die Genauigkeit bei privatisierten Daten verbessert.
Die parametrische Bootstrap-Methode liefert oft unzureichende Genauigkeit bei privatisierten Daten.
引述
"Die Simulation-basierte 'Repro Sample' Methodik ermöglicht valide Konfidenzintervalle und Hypothesentests für privatisierte Daten."