Debiasing Differentially Private Time-to-Event Data
Sharing time-to-event data is essential for enabling collaborative research, designing effective interventions, and advancing patient care. However, sharing exact survival curves poses significant privacy risks. To protect individual privacy and mitigate the risk of membership inference attacks, various privacy-preserving solutions have been proposed. The differential privacy (DP) framework, in particular, offers strong and rigorous protection for data sharing. However, the noise injection required by DP can distort the probability density of the data, resulting in low utility and invalid statistical inference. In this work, we propose methods to mitigate these biases in differentially private, right-censored time-to-event data using a deconvolution framework via kernel density estimation. We provide a bias-corrected nonparametric estimator for the marginal distribution of event times and develop a corrected score approach for regression analysis to ensure valid inference under privacy
Débiaisement des données temporelles à confidentialité différentielle
Le partage des données relatives au délai avant événement est essentiel pour permettre la recherche collaborative, concevoir des interventions efficaces et faire progresser les soins aux patients. Cependant, le partage des courbes de survie exactes présente des risques importants en matière de confidentialité. Afin de protéger la vie privée des individus et d'atténuer le risque d'attaques par inférence d'appartenance, diverses solutions de préservation de la confidentialité ont été proposées. Le cadre de la confidentialité différentielle (DP), en particulier, offre une protection solide et rigoureuse pour le partage des données. Cependant, l'injection de bruit requise par la DP peut fausser la densité de probabilité des données, ce qui se traduit par une faible utilité et une inférence statistique invalide. Dans ce travail, nous proposons des méthodes pour atténuer ces biais dans les données de temps jusqu'à l'événement censurées à droite et protégées par la confidentialité différentielle, en utilisant un cadre de déconvolution par l'entremise d'une estimation de la densité du noyau. Nous fournissons un estimateur non paramétrique corrigé des biais pour la distribution marginale des temps d'événements et développons une approche de score corrigé pour l'analyse de régression afin de garantir une inférence valide sous un bruit préservant la confidentialité.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais