Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking
观察性研究中的平均处理效应（ATE）估计是社会科学、医学和流行病学等领域广泛使用的基础统计工具，用于在无法进行随机对照试验时评估某种干预或暴露对结果变量的因果影响。然而这些领域所处理的数据通常包含高度敏感的个人信息，直接发布基于原始数据的
#causal-inference
共收录 5 条相关情报。
← 返回所有主题Adaptive Distributed Physical-Layer Authentication and Attack Detection in 6G Non-Terrestrial Networks via Causal Meta-Learning
该论文聚焦 6G 非地面网络（NTN，含卫星、高空平台等空中节点）中的物理层认证（PLA）难题。NTN 链路存在严重多普勒频移、长传播时延和快变信道，导致训练与部署环境之间出现分布漂移，使传统集中式深度学习和单特征认证方案泛化能力差、在未见
Influence Is Not Authority: When Causal Guardrail Signals Make Legitimate Tool Use Look Like an Attack in Tool-Using LLM Agents
本文研究了当前最先进的基于影响（influence）的保护机制（guardrails）在工具使用型 LLM 代理中的局限性：它们无法可靠地区分合法且经用户授权的动作与恶意未授权的动作，当两者都依赖外部工具信息时。这种模糊性可能导致良性动作触
CauSec: Unboxing the Causal Drivers of Static Vulnerability Analysis Performance
本文针对静态应用安全测试（SAST）工具中普遍存在的设计权衡问题展开研究。SAST工具在工业界和学术界广泛使用，但为了提升精度、缩短运行时间或增强可扩展性，往往会在检测能力上做出牺牲。这些牺牲建立在某些关于目标代码或分析技术的假设之上，而这
PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data.
因果推断在多个科学研究领域扮演关键角色，其中平均处理效应（ATE）的估计是核心问题之一。然而，使用真实世界观测数据计算ATE会带来显著的隐私风险。差分隐私作为一种严格理论保证的隐私保护技术，已成为隐私保护数据分析的标准方法。但现有的差分隐私