Differentially Private Synthetic Control

要約

合成制御は、合成反事実データを作成することにより、介入の治療効果を推定するために使用される因果推論ツールです。
このアプローチは、介入前のターゲットとドナー プールの関係を分析することにより、他の同様の観察結果 (つまり、ドナー プール) からの測定値を組み合わせて、対象となる反事実的時系列 (つまり、ターゲット ユニット) を予測します。
合成制御ツールが機密データや専有データにますます適用されるにつれて、正式なプライバシー保護が必要になることがよくあります。
この作業では、明示的なエラー境界を持つ差分プライベート合成制御の最初のアルゴリズムを提供します。
私たちのアプローチは、非プライベートな合成制御と差別化されたプライベートな経験的リスクの最小化からのツールに基づいています。
合成制御クエリの感度に上限と下限を提供し、プライベート合成制御アルゴリズムの精度に明示的なエラー境界を提供します。
私たちのアルゴリズムがターゲット ユニットの正確な予測を生成し、プライバシーのコストが小さいことを示します。
最後に、アルゴリズムのパフォーマンスを経験的に評価し、さまざまなパラメーター体制で良好なパフォーマンスを示し、ハイパーパラメーター調整のためのガイダンスを実践者に提供します。

要約(オリジナル)

Synthetic control is a causal inference tool used to estimate the treatment effects of an intervention by creating synthetic counterfactual data. This approach combines measurements from other similar observations (i.e., donor pool ) to predict a counterfactual time series of interest (i.e., target unit) by analyzing the relationship between the target and the donor pool before the intervention. As synthetic control tools are increasingly applied to sensitive or proprietary data, formal privacy protections are often required. In this work, we provide the first algorithms for differentially private synthetic control with explicit error bounds. Our approach builds upon tools from non-private synthetic control and differentially private empirical risk minimization. We provide upper and lower bounds on the sensitivity of the synthetic control query and provide explicit error bounds on the accuracy of our private synthetic control algorithms. We show that our algorithms produce accurate predictions for the target unit, and that the cost of privacy is small. Finally, we empirically evaluate the performance of our algorithm, and show favorable performance in a variety of parameter regimes, as well as providing guidance to practitioners for hyperparameter tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google