Differentially Private Estimation of CATE in Adaptive Experiment

要約

適応実験は、臨床試験やその他の多くのシナリオで条件付き平均治療効果 (CATE) を推定するために広く採用されています。
実験の主な目的は推定精度を最大化することですが、社会福祉の責務により、患者に優れた結果をもたらす治療を提供することも重要であり、これはコンテキストバンディットフレームワークにおける後悔によって測定されます。
これら 2 つの目的は、多くの場合、コントラストの最適な割り当てメカニズムにつながります。
さらに、患者の健康記録などの機密データを含む臨床シナリオでは、プライバシーの懸念が生じます。
したがって、治療割り当てメカニズムには強力なプライバシー保護措置を組み込むことが不可欠です。
この論文では、社会的福祉の損失とコンテキストバンディット実験における統計検出力の間のトレードオフを調査します。
多目的最適化問題に対して一致する上限と下限を提案し、パレート最適性の概念を採用して最適性条件を数学的に特徴付けます。
さらに、下限に一致する差分プライベートアルゴリズムを提案し、プライバシーが「ほぼ無料」であることを示します。
さらに、統計的推論と仮説検定に不可欠な推定量の漸近正規性を導き出します。

要約(オリジナル)

Adaptive experiment is widely adopted to estimate conditional average treatment effect (CATE) in clinical trials and many other scenarios. While the primary goal in experiment is to maximize estimation accuracy, due to the imperative of social welfare, it’s also crucial to provide treatment with superior outcomes to patients, which is measured by regret in contextual bandit framework. These two objectives often lead to contrast optimal allocation mechanism. Furthermore, privacy concerns arise in clinical scenarios containing sensitive data like patients health records. Therefore, it’s essential for the treatment allocation mechanism to incorporate robust privacy protection measures. In this paper, we investigate the tradeoff between loss of social welfare and statistical power in contextual bandit experiment. We propose a matched upper and lower bound for the multi-objective optimization problem, and then adopt the concept of Pareto optimality to mathematically characterize the optimality condition. Furthermore, we propose differentially private algorithms which still matches the lower bound, showing that privacy is ‘almost free’. Additionally, we derive the asymptotic normality of the estimator, which is essential in statistical inference and hypothesis testing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google