提出了一种新颖的联合方法，基于多中心数据实现针对目标人群的有效因果推断。通过开发多重鲁棒的针对隐私保护的烦扰函数估计方法，我们对各个中心之间的协变量偏移和不匹配进行了调整。我们的方法融合了迁移学习，用于估计集成权重以组合来自源站点的信息。我们证明了这些学习到的权重在不同情况下是高效且最优的。相比现有方法，我们展示了我们的方法在有限样本情况下的效率和鲁棒性优势。

Sep, 2023

我们提出了一种名为数据协作双重机器学习（DC-DML）的方法，用于估计具有隐私保护的分布式数据的 CATE 模型，并通过数值实验对该方法进行了评估。

Feb, 2024

本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。

Mar, 2021

使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

Feb, 2024

该研究论文探讨了分布式环境下维护隐私的差分隐私联邦学习的关键挑战，研究了在差分隐私约束下高维度估计和推断的困难，并提出了针对线性回归模型的新颖联邦估计算法和统计推断的方法。广泛的模拟实验支持了理论上的进展，强调了该方法的有效性和可靠性。

Apr, 2024

该研究旨在研究上下文匹配实验中社会福利损失与统计功效之间的折中，并提出了一个多目标优化问题的上下界匹配方法，以及结合隐私保护措施的差分隐私算法，并推导出了估计器的渐近正态性质。

Jan, 2024

本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

Oct, 2019

在这篇论文中，我们以一个联邦迁移学习框架解决了数据异构性和隐私保护这两个突出的挑战，旨在在遵守隐私约束的同时通过利用来自多个异构源数据集的信息来增强目标数据集上的学习能力。我们严格地提出了 “联邦差分隐私” 的概念，为每个数据集提供隐私保证而不依赖于可信任的中央服务器。在此隐私约束下，我们研究了三个经典的统计问题，即一维均值估计、低维线性回归和高维线性回归。通过研究极小化速率和确定这些问题的隐私成本，我们展示了联邦差分隐私是介于已确立的本地和中央模型差分隐私之间的一个中间隐私模型。我们的分析涵盖了数据异构性和隐私，突出了在联邦学习中二者的基本成本，并强调了跨数据集的知识迁移的好处。

Mar, 2024

基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”，通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失，同时仍然允许因果效应的估计。

Aug, 2023

本研究将差分隐私技术引入联邦学习框架以实现隐私保护的医学图像分类，证实了隐私保护与模型准确性之间的权衡存在，但我们证明了差分隐私的隐私预算的战略校准可以保持健壮的图像分类性能同时提供实质性的隐私保护。

Jun, 2023