通过本地化计算,在隐私约束下集成高维的受审查数据

科学领域:

• 生物统计学 生物统计学
• 数据科学数据科学数据科学
• 计算生物学 计算生物学

背景情况:

• 高维数据分析,特别是对数据进行右边审查的数据,由于样本规模小,其统计效率有限.
• 整合来自多个来源的数据可以提高效率,但也引起了人们对数据隐私和网站特定异质性的担忧.
• 现有的方法往往难以平衡数据整合的好处与隐私保护和异质性管理.

研究的目的:

• 提出一种新的隐私保护方法,用于整合来自多个来源的高维,正确审查的数据,同时考虑到网站之间的异质性.
• 开发一种最大限度地利用本地数据的方法,同时遵守数据隐私限制.
• 引入一种实际的改进,防止独特的局部共变量效应的收缩.

主要方法:

• 一个本地计算策略,每个站点使用其本地完整数据集和来自其他站点的总结统计数据计算整合估计.
• 开发一种精细的程序,以减轻特定地点共变量效应的收缩.
• 拟议估计的理论分析,证明一致性,非对称的正常性和效率的提高.

主要成果:

• 拟议的方法实现了隐私保护,并有效地处理高维数据的源级异质性.
• 理论结果证实了整合性估计的理想统计性质 (一致性,正常性,效率).
• 模拟研究表明,该方法的表现优于仅依赖总结统计或局部估计的现有方法.

结论:

• 开发的保护隐私的本地计算策略为多源高维数据集成提供了卓越的方法.
• 该方法有效地解决了数据隐私,源异质性和统计效率的挑战.
• 对卵巢癌数据的实际应用证明了拟议方法的有效性和实用性.