跳转至

Differentially private hypothesis testing in survival analysis

作者: Elly K. H. Hung, Yi Yu
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2605.16906


一、领域脉络与小综述

这个方向是什么

本文开创性地将差分隐私(Differential Privacy, DP)引入生存分析中的假设检验问题,具体针对右删失数据下的Cox比例风险模型。其根本的统计问题是:当数据包含敏感个体信息(如医疗记录)时,如何在保护隐私的前提下,仍然能够进行可靠的统计推断(如检验回归系数是否为零、比较两组生存曲线是否相同)。该方向处于"隐私保护统计推断"与"生存分析"两个领域的交叉点,当前成熟度较低——正如作者在引言中所言,"private hypothesis testing for right-censored data remains largely undeveloped"(针对右删失数据的隐私假设检验在很大程度上仍未发展)。

发展脉络

  • 奠基工作:差分隐私的正式定义由Dwork (2006)提出,为隐私保护提供了严格的数学框架。Karwa and Vadhan (2017) 研究了有限样本下差分隐私置信区间的构造,其引理6.1(关于近似最大散度的界)被本文直接用于证明隐私保证。这两项工作奠定了"在DP约束下进行统计推断"的理论基础。
  • 主要进展:在假设检验方面,Canonne et al. (2019) 对简单假设检验问题给出了最优的私有检验结构(随机化截断似然比检验),这是本文二元检验的理论基准。在回归推断方面,Sheffet (2017)、Barrientos et al. (2019)、Alabi and Vadham (2023) 等发展了线性回归系数的私有检验;Avella-Medina (2020) 建立了基于有界影响M估计的私有p值方法。在非参数检验方面,Gaboardi et al. (2018) 和 Couch et al. (2019) 分别提出了私有χ²检验和秩检验,Awan and Wang (2025) 发展了Kolmogorov–Smirnov检验。这些工作共同构成了"DP假设检验"的谱系,但均未涉及生存分析特有的删失结构。
  • 当前frontier:在生存分析领域,Nguyễn and Hui (2017) 和 Gondara and Wang (2020) 等研究了私有估计问题,但Gondara and Wang (2020) 仅对离散时间生存分析中的检验做了实证探索,缺乏理论保证。Hung and Yu (2025) 是本文作者的前作,研究了联邦差分隐私下Cox回归系数和累积风险函数的估计问题,并证明了极小极大最优性——本文正是将这一估计框架延伸到检验问题。
  • 本文的位置:本文是上述两条线索(DP假设检验 + 生存分析)的首次系统性交汇。它填补了"私有检验"在删失数据下的空白,并首次给出了半参数生存模型中私有检验的极小极大下界。

子线索聚类

  1. 私有参数检验:针对具体参数(如回归系数、均值)的检验。代表工作包括Sheffet (2017)的OLS检验、Barrientos et al. (2019)的回归系数检验、Alabi and Vadham (2023)的线性回归检验、Avella-Medina (2020)的M估计检验。这些工作通常假设似然可分解为独立项,便于灵敏度分析。
  2. 私有非参数检验:针对分布本身的检验(拟合优度、两样本检验)。代表工作包括Acharya et al. (2018)的离散分布恒等/接近检验、Gaboardi et al. (2018)的χ²检验、Couch et al. (2019)的秩检验、Awan and Wang (2025)的KS检验。这些工作关注检验的极小极大分离率。
  3. 私有生存分析:针对删失数据的估计与推断。Nguyễn and Hui (2017) 和 Gondara and Wang (2020) 是早期探索,Hung and Yu (2025) 建立了联邦DP下的最优估计理论。本文属于这一子线索的延伸,但首次引入检验视角。

这个方向在追问的核心问题

  1. 隐私与效力的权衡:加入DP噪声后,检验的分离率(即能可靠检测的最小效应量)如何退化?本文给出的答案是:分离率变为非私有率与隐私代价的"最大值"形式(见命题1和命题6)。
  2. 删失结构带来的额外困难:生存数据通过风险集(risk set)将个体联系起来,破坏了似然的独立分解结构,使得标准DP机制的灵敏度分析失效。这是本文技术贡献的核心。
  3. 半参数效率损失:Cox模型含有未知基线风险函数这一无穷维 nuisance,检验统计量(如偏似然比)的分布依赖于对 nuisance 的估计精度。隐私约束下这一精度如何变化?

⚠️ 作者的 framing

作者将缺口frame为:"private hypothesis testing for right-censored data remains much less developed"(针对右删失数据的隐私假设检验远未发展),并强调"the only prior work we are aware of is Gondara and Wang (2020), which considers the empirical performance"(我们知道的唯一先例是Gondara和Wang (2020),且仅考虑经验表现)。作者以此确立本文的"首创性"地位。同时,作者在引言末尾明确承认:"where optimal private rates for testing in semiparametric survival models remain open"(半参数生存模型中私有检验的最优速率仍待解决)——这是作者主动划出的边界。

值得注意的淡化:作者将本文定位为"initiate"(开创)而非"resolve"(解决),并在多个命题后指出上下界之间存在维度依赖的gap(如命题2的下界与命题1的上界在d的指数上不一致)。作者没有讨论竞争路线——例如局部差分隐私(local DP)或洗牌模型(shuffle model)——这些模型可能提供不同的隐私-精度权衡。

张力

未见被引工作之间存在直接矛盾。但有一个微妙的张力:Canonne et al. (2019) 的二元检验最优性依赖于似然比的独立分解,而本文的Cox偏似然比不满足这一结构。作者通过直接计算偏似然比的灵敏度来绕过这一障碍,但代价是分离率中出现额外的d²项(命题1),而Canonne et al. (2019) 的框架在简单假设下不会产生这种维度依赖。这暗示:在删失数据下,私有检验的最优速率可能比作者给出的上界更快——作者在命题2后的讨论中承认了这一点。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

可观测数据:我们观测到 \(n\) 个独立同分布的样本 \(\{(T_i, \Delta_i, Z_i)\}_{i=1}^n\),其中: - \(T_i = \min(\tilde{T}_i, C_i)\) 是观测到的生存时间(取事件时间与删失时间的较小者) - \(\Delta_i = \mathbf{1}\{\tilde{T}_i \le C_i\}\) 是事件指示符(1表示观测到事件,0表示删失) - \(Z_i(t) \in \mathbb{R}^d\) 是可能随时间变化的协变量过程

模型:Cox比例风险模型假设给定协变量过程 \(Z_i\),个体 \(i\) 的事件时间 \(\tilde{T}_i\) 的风险函数为

\[\lambda_i(t) = \lambda_0(t) \exp\{\beta^{*\top} Z_i(t)\},\]
其中 \(\lambda_0(t)\) 是未知的基线风险函数,\(\beta^* \in \mathbb{R}^d\) 是未知的回归系数向量。

参数与估计目标: - 待检验参数:\(\beta^*\)(Cox回归系数),或累积风险函数 \(\Lambda(t) = \int_0^t \lambda_0(s)\,ds\)。 - 偏似然函数:Cox模型的推断基于偏似然

\[\ell_n(\beta) = \sum_{i=1}^n \int_0^1 \beta^\top Z_i(t)\, dN_i(t) - \int_0^1 \log\left(\sum_{j=1}^n Y_j(t) e^{\beta^\top Z_j(t)}\right) dN_i(t),\]
其中 \(N_i(t) = \mathbf{1}\{T_i \le t, \Delta_i = 1\}\) 是计数过程,\(Y_i(t) = \mathbf{1}\{T_i \ge t\}\) 是风险集指示。 - 得分函数:\(\dot{\ell}_n(\beta) = \sum_{i=1}^n \int_0^1 \{Z_i(t) - \bar{Z}(t,\beta)\}\, dN_i(t)\),其中 \(\bar{Z}(t,\beta)\) 是协变量的风险集加权平均。 - 信息矩阵:\(G(\beta^*) = \mathbb{E}\left[-\frac{1}{n}\ddot{\ell}_n(\beta^*)\right]\),其迹 \(\mathrm{tr}\{G(\beta^*)\}\) 用于校准检验阈值。

隐私模型:采用中心化差分隐私(central DP)。两个数据集 \(D, D'\) 若在至多一个个体上不同,则称其为相邻数据集。一个机制 \(\mathcal{M}\) 满足 \((\epsilon, \delta)\)-DP,若对所有相邻数据集和所有可测集 \(A\),有 \(\mathbb{P}(\mathcal{M}(D) \in A) \le e^\epsilon \mathbb{P}(\mathcal{M}(D') \in A) + \delta\)。本文主要使用纯DP(\(\delta=0\)),通过Laplace机制实现。

关键困难:偏似然函数的每一项都涉及整个风险集 \(\sum_{j=1}^n Y_j(t) e^{\beta^\top Z_j(t)}\),因此单个个体的变化会影响所有项。这导致偏似然(及其梯度)的全局灵敏度(global sensitivity)随 \(n\) 增长,无法直接应用标准Laplace机制。

第二步:最小内核

问题:在 \((\epsilon, 0)\)-DP约束下,检验 \(H_0: \beta^* = \beta_0\) vs \(H_1: \beta^* = \beta_1\),其中 \(\|\beta_0 - \beta_1\|_2\) 足够大以保证可靠检测。

核心思路:将检验统计量分解为"非私有部分"和"隐私噪声部分",分别控制其统计误差和隐私误差。

最简情形:假设 \(d=1\)(单协变量),且协变量有界 \(|Z_i(t)| \le C_Z\)。考虑得分检验统计量 \(S_n = \dot{\ell}_n(\beta_0)/\sqrt{n}\)。

非私有行为:在 \(H_0\) 下,\(S_n \xrightarrow{d} N(0, G(\beta_0))\),其中 \(G(\beta_0) = \mathrm{tr}\{G(\beta_0)\}\) 是标量。在 \(H_1\) 下,\(S_n\) 的均值偏移约为 \(\sqrt{n} G(\beta_0)(\beta_1 - \beta_0)\)。

隐私化:直接对 \(S_n\) 添加Laplace噪声 \(W \sim \mathrm{Laplace}(0, \Delta/\epsilon)\),其中 \(\Delta\) 是 \(S_n\) 的灵敏度。关键计算是:

\[\Delta = \sup_{D \sim D'} |S_n(D) - S_n(D')| \lesssim \frac{C_Z(1 + \log n)}{\sqrt{n}}.\]
这里的 \(\log n\) 因子来自风险集结构的累积效应(见命题1的证明中对偏似然梯度灵敏度的分析)。

检验阈值:设定阈值 \(\tau = \sqrt{G(\beta_0)} + C \cdot \frac{\Delta}{\epsilon} \log(1/\alpha)\),其中第一项控制非隐私的I型误差,第二项控制隐私噪声的尾部概率。

分离率:在 \(H_1\) 下,检验功效达到 \(1/3\) 所需的分离为

\[\|\beta_1 - \beta_0\|_2^2 \gtrsim \frac{d}{n} + \frac{d^2(1 + \log n)^2}{n^2 \epsilon^2}.\]
第一项是非私有的参数率 \(d/n\),第二项是隐私代价。当 \(\epsilon \gtrsim \sqrt{d}/n\) 时隐私代价可忽略;当 \(\epsilon\) 很小时隐私主导。

为什么这个例子是内核:它展示了本文所有结果的核心权衡——隐私噪声的方差与统计量灵敏度的平方成正比,而灵敏度又由风险集结构的"有效样本量"决定。所有后续结果(命题1、3、6)都是这个基本权衡在不同检验问题下的具体化。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在差分隐私约束下,针对右删失生存数据,研究Cox回归系数的二元检验(\(H_0: \beta^* = \beta_0\) vs \(H_1: \beta^* = \beta_1\))、恒等检验(\(H_0: \beta^* = \beta_0\) vs \(H_1: \|\beta^* - \beta_0\|_2 \ge r\))以及两样本累积风险函数的比较检验,并给出有限样本的I型/II型误差保证和极小极大分离率。
  2. 核心工具/方法:基于偏似然比统计量和得分统计量,通过Laplace机制添加校准噪声;利用风险集结构的特殊性质(个体对偏似然的贡献通过加权平均耦合)计算灵敏度;对累积风险函数采用分布式Nelson-Aalen估计器并添加高斯噪声。
  3. 主要结论:对于Cox回归系数的二元检验,分离率上界为 \(d/n + d^2(1+\log n)^2/(n^2\epsilon^2)\),下界为 \(d/n + d/(n^2(\epsilon+\delta)^2)\),两者在 \(d\) 的指数上存在gap;对于累积风险函数的两样本检验,分离率上界为 \(n^{-1/2} + \log^2(\min\{\sqrt{n}, n\epsilon\})/(n\epsilon)\),下界为 \(n^{-1/2} + 1/(n(\epsilon+\delta))\),在 \(\log\) 因子内匹配。

关键设定与假设

  • 假设1(协变量有界且光滑):\(\|Z(t)\|_2 \le C_Z\) 且 \(\|Z(t) - Z(s)\|_2 \le L_Z |t-s|\)。这保证了偏似然的灵敏度可被控制,是DP分析的标准前提。
  • 假设2(非信息删失与正风险):删失时间与事件时间条件独立,且 \(P(Y(1) = 1) \ge p_0 > 0\),\(\lambda_0(t) \le C_\lambda\)。这保证了风险集不会退化,是生存分析的标准正则条件。
  • 假设3(信息矩阵条件):\(G(\beta^*)\) 的特征值在 \([c/d, C/d]\) 之间(对某个常数 \(c, C > 0\))。这控制了检验问题的曲率,使得分离率可以用 \(\|\beta_1 - \beta_0\|_2\) 度量。
  • 相比已有文献的放宽/强化:相比Nguyễn and Hui (2017) 的离散时间设定,本文处理连续时间;相比Gondara and Wang (2020) 的经验方法,本文给出有限样本理论保证。但本文假设协变量有界(假设1),这比一些非隐私Cox回归文献的矩条件更强——这是DP机制的必要代价。

主要结果

命题1(二元检验的隐私与误差):构造检验 \(\phi = \mathbf{1}\{\gamma(\beta_0, \beta_1) < 0\}\),其中 \(\gamma(\beta_0, \beta_1) = \ell_n(\beta_0) - \ell_n(\beta_1) + \frac{c_{\beta_0,\beta_1}(1+\log n)\|\beta_0 - \beta_1\|_2}{\epsilon} W\),\(W \sim \mathrm{Laplace}(0,1)\)。该检验满足 \((\epsilon, 0)\)-DP,且当分离满足 (6) 时,I型+II型误差 \(\le 1/3\)。技术要点:灵敏度分析利用偏似然梯度的分解——将个体贡献分解为"自身项"和"风险集耦合项",后者通过 \(\log n\) 因子控制。

命题2(二元检验的极小下界):对任意 \((\epsilon, \delta)\)-DP检验,若分离率 \(r^2 \le c(d/n + d/(n^2(\epsilon+\delta)^2))\),则I型+II型误差 \(\ge 1/3\)。证明思路:构造两个相邻数据集上的先验分布,利用DP的耦合性质(引理6.1 of Karwa and Vadhan, 2017)和Pinsker不等式。

命题3(恒等检验):对 \(H_0: \beta^* = \beta_0\) vs \(H_1: \|\beta^* - \beta_0\|_2 \ge r\),构造基于得分范数的检验,分离率上界为 \(d^{3/2}/n + d^2(1+\log n)^2/(n^2\epsilon^2)\)。技术要点:需要控制得分向量各分量的联合灵敏度,利用Cauchy-Schwarz和风险集的覆盖数(covering number)论证。

命题6(两样本累积风险检验):在分布式设定下(两个服务器各持 \(n_1, n_2\) 个样本),构造基于私有Nelson-Aalen估计量的检验,分离率上界为 \(n_1^{-1/2} + n_2^{-1/2} + \log^2(\min\{\sqrt{n_1}, n_1\epsilon_1\})/(n_1\epsilon_1) + \log^2(\min\{\sqrt{n_2}, n_2\epsilon_2\})/(n_2\epsilon_2)\)。技术要点:利用Hung and Yu (2025) 的私有累积风险估计器,其误差分解为统计误差(\(n^{-1/2}\))和隐私误差(\((n\epsilon)^{-1}\))。

命题7(两样本检验的极小下界):通过将两样本问题嵌入单样本拟合优度问题(引理10),证明分离率下界为 \(n_1^{-1/2} + n_2^{-1/2} + (n_1(\epsilon_1+\delta_1))^{-1} + (n_2(\epsilon_2+\delta_2))^{-1}\)。

证明路线与技术技巧

整体路线(以命题1为例): 1. 隐私证明:计算偏似然比的灵敏度。关键步骤是将 \(\ell_n(\beta_0) - \ell_n(\beta_1)\) 的灵敏度分解为梯度在 \([\beta_0, \beta_1]\) 上的积分,然后利用假设1和风险集结构逐项控制。 2. I型误差:在 \(H_0\) 下,非隐私部分 \(\ell_n(\beta_0) - \ell_n(\beta_1)\) 的均值由泰勒展开控制,方差由鞅中心极限定理(引理12)控制;隐私噪声部分由Laplace尾部概率控制。 3. II型误差:在 \(H_1\) 下,非隐私部分的均值偏移至少为 \(n\|\beta_0 - \beta_1\|_2^2/(2d)\)(由假设3),隐私噪声部分同上。

关键技巧: - 灵敏度分解:将全局灵敏度转化为局部灵敏度(local sensitivity)的期望上界,利用风险集的"有效样本量" \(n/\log n\) 而非 \(n\)。 - 鞅方法:利用计数过程的鞅表示(Andersen-Gill, 1982)控制偏似然梯度的波动,这是处理删失数据依赖结构的核心工具。 - 覆盖数论证:在恒等检验中,对参数空间进行离散化,利用覆盖数控制得分向量在离散点上的最大值。 - 分布式隐私组合:两样本检验中,利用并行组合定理(parallel composition)将两个服务器的隐私预算独立处理。

🔎 结论是否比证明窄

是,存在两处明显的"证明窄于结论":

  1. 命题1 vs 命题2的gap:命题1的上界分离率为 \(d/n + d^2(1+\log n)^2/(n^2\epsilon^2)\),而命题2的下界为 \(d/n + d/(n^2(\epsilon+\delta)^2)\)。上界的隐私项是 \(d^2\),下界是 \(d\),相差一个 \(d\) 因子。作者在命题2后的讨论中承认:"the optimal private rate for testing in semiparametric survival models remains open"(半参数生存模型中私有检验的最优速率仍待解决),但未给出任何猜想或中间结果。这是一个明确的开放问题。

  2. 命题6 vs 命题7的gap:两样本检验的上界包含 \(\log^2(\min\{\sqrt{n}, n\epsilon\})\) 因子,下界没有 \(\log\) 因子。作者在命题7的证明中通过引理10将两样本问题嵌入单样本问题,但引理10的证明(附录C.4)只给出了一个方向的包含关系,未讨论反向包含是否成立。这意味着下界可能不是紧的。

  3. 恒等检验的分离率:命题3的分离率上界为 \(d^{3/2}/n\)(非隐私部分),而命题1的二元检验非隐私部分为 \(d/n\)。作者在命题3后的讨论中未解释为何恒等检验的维度依赖更强,也未给出下界。这暗示恒等检验可能不是最优的。


四、开放问题

  1. Cox回归系数二元检验的最优私有分离率:命题1的上界(隐私项 \(d^2/(n^2\epsilon^2)\))与命题2的下界(隐私项 \(d/(n^2(\epsilon+\delta)^2)\))之间存在 \(d\) 因子的gap。要确认这是否为真gap,建议阅读近期关于"私有假设检验极小极大率"的文献(如Cai et al., 2024a的white-noise模型),看是否有类似维度依赖的先例。扎根点:命题2后的讨论。

  2. 恒等检验的极小下界:命题3给出了上界 \(d^{3/2}/n + d^2(1+\log n)^2/(n^2\epsilon^2)\),但没有下界。一个自然的猜想是下界至少为 \(d/n + d/(n^2\epsilon^2)\)(即二元检验的下界),但 \(d^{3/2}\) 的额外代价是否必要未知。扎根点:命题3的陈述。

  3. 两样本检验的 \(\log\) 因子是否可去:命题6的上界包含 \(\log^2\) 因子,命题7的下界没有。这可能是证明技术的产物(覆盖数论证),也可能是本质困难。建议对比非隐私的Nelson-Aalen估计的sup-norm收敛速度(如Hung and Yu, 2025的定理5),看 \(\log\) 因子是否在非隐私情形下也存在。扎根点:命题6的陈述。

  4. 半参数效率损失的一般理论:本文只处理了Cox模型和累积风险函数,但半参数模型(如加速失效时间模型、可加风险模型)的私有检验完全未涉及。作者在引言中提到的"standard approaches cannot be directly applied"(标准方法无法直接应用)暗示了更一般的困难,但未给出任何一般性框架。扎根点:引言最后一段。

  5. 隐私与删失的交互效应:本文的分离率中,隐私项与非隐私项是"加法"关系(最大值形式)。但在小样本或高删失率下,二者可能产生交互(如隐私噪声放大删失带来的方差)。作者在数值实验(第4节)中仅考虑了 \(n \ge 3000\) 的情形,未探索小样本行为。扎根点:第4节数值实验的设置。

验证建议:要确认第1条是否为真gap,建议阅读Cai et al. (2024a)的white-noise模型私有检验,看其分离率是否也有类似的维度依赖;同时检查Karwa and Vadhan (2017)的置信区间下界技术是否可直接推广到Cox模型。若两条路都走不通,则第1条很可能是一个值得投入的真问题。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论