false discovery rate

新框架使用 JLT 进行差分隐私变量选择

研究人员开发了一个用于高维变量选择的新框架，该框架可维护差分隐私。该方法使用 Johnson-Lindenstrauss Transform (JLT) 来私有化数据矩阵，在遵守 $(\epsilon,\delta)$-差分隐私约束的同时保留协变量关系。该方法在理论上保证了对错误发现率 (FDR) 的控制，并分析了隐私和统计功效之间的权衡，表明在严格的隐私预算下，JLT 在保持功效方面优于传统的噪声注入方法。