📊 statistics

Optimal Cox regression under federated differential privacy: coefficients and cumulative hazards

Diese Arbeit entwickelt und analysiert optimale Verfahren für die Cox-Regression und die Schätzung kumulativer Hazardfunktionen unter federierter Differentialprivatsphäre, wobei sie sowohl theoretische Minimalex-Untergrenzen als auch praktische Algorithmen mit einem begleitenden R-Paket bereitstellt.

Ursprüngliche Autoren: Elly K. H. Hung, Yi Yu

Veröffentlicht 2026-04-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Elly K. H. Hung, Yi Yu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein medizinischer Forscher, der herausfinden möchte, welche Faktoren (wie Alter, Rauchen oder Genetik) das Überleben von Patienten beeinflussen. Sie haben Daten von vielen verschiedenen Krankenhäusern. Das Problem: Niemand darf die Patientendaten der anderen sehen, weil das gegen den Datenschutz verstößt. Gleichzeitig wollen Sie alle Daten zusammen nutzen, um ein genaues Bild zu bekommen.

Dies ist das Herzstück des Papers von Elly Hung und Yi Yu. Sie haben einen neuen Weg gefunden, wie man diese „versteckten" Daten gemeinsam analysieren kann, ohne dass jemand die Privatsphäre der Patienten verletzt.

Hier ist die Erklärung in einfachen Worten, mit ein paar kreativen Vergleichen:

1. Das Problem: Das „Geheime Rezept"

Stellen Sie sich vor, jedes Krankenhaus hat ein Geheimes Rezept für die Überlebenszeit seiner Patienten. Aber niemand darf das Rezept verraten.

Das Ziel: Sie wollen wissen, welche Zutaten (Faktoren) das Rezept am besten machen.
Die Hürde: Wenn Sie die Rezepte einfach zusammenwerfen, ist das ein Datenschutz-Albtraum. Wenn Sie nur die Ergebnisse (z. B. „Patient A ist gestorben") austauschen, können Hacker manchmal trotzdem herausfinden, wer genau in welchem Krankenhaus war.

2. Die Lösung: Der „Verschleierter Bot" (Federated Differential Privacy)

Die Autoren schlagen vor, dass die Krankenhäuser nicht die Rohdaten senden, sondern nur verschleierte Nachrichten.

Die Metapher: Stellen Sie sich vor, jeder Arzt schreibt eine Nachricht auf ein Blatt Papier, wirft sie in einen Mixer, fügt ein wenig statistisches Rauschen (wie weißes Rauschen im Radio) hinzu und sendet nur das Ergebnis.
Differential Privacy (DP): Das „Rauschen" ist so berechnet, dass man aus der Nachricht niemals mit Sicherheit sagen kann, ob Patient X im Krankenhaus war oder nicht. Aber wenn man tausende dieser verrauschten Nachrichten zusammenfasst, erkennt man trotzdem das große Muster.
Federated: Jeder Arzt macht das zu Hause (auf seinem Server) und sendet nur das Ergebnis. Die Daten verlassen das Krankenhaus nie.

3. Was genau haben sie berechnet?

Sie haben zwei wichtige Dinge für die „Überlebensanalyse" (Survival Analysis) gelöst:

A. Die Gewichte finden (Koeffizienten)

Die Frage: Wie stark beeinflusst Rauchen das Überleben im Vergleich zu Sport?
Die Methode: Sie nutzen einen Algorithmus, der wie ein Gleiter auf einer verschneiten Hügellandschaft funktioniert. Er sucht den tiefsten Punkt (die beste Antwort).
Der Clou: Da die Daten verrauscht sind, ist die Landschaft etwas wackelig. Die Autoren haben berechnet, wie viel „Wackeln" (Rauschen) nötig ist, damit niemand die Daten entschlüsseln kann, und wie genau man trotzdem noch den tiefsten Punkt finden kann. Sie haben bewiesen, dass man unter bestimmten Bedingungen fast genauso gut rechnen kann wie ohne Datenschutz – aber nur, wenn man genug Daten hat.

B. Die Überlebenskurve zeichnen (Kumulative Hazard)

Die Frage: Wie sieht die Kurve aus, die zeigt, wie viele Patienten bis zu einem bestimmten Zeitpunkt überlebt haben?
Die Methode: Sie nutzen eine Art Baumstruktur (wie ein Familienbaum, aber für Zeitintervalle).
Die Metapher: Statt jeden einzelnen Moment zu messen, teilen sie die Zeit in kleine Abschnitte ein. Für jeden Abschnitt wird eine verrauschte Zahl berechnet. Diese Zahlen werden dann wie Äste eines Baumes zusammengefügt.
Der Vorteil: Selbst wenn man nur wenige Daten hat, kann man durch diesen „Baum" eine sehr genaue Kurve zeichnen, ohne die Privatsphäre zu verletzen.

4. Das Ergebnis: Der Preis der Privatsphäre

Die Autoren haben mathematisch bewiesen, was der „Preis" für den Datenschutz ist:

Ohne Datenschutz: Man braucht eine bestimmte Menge an Daten, um ein genaues Ergebnis zu bekommen.
Mit Datenschutz: Man braucht etwas mehr Daten (oder die Ergebnisse sind etwas ungenauer), um das gleiche Vertrauen zu haben.
Die Entdeckung: Es gibt einen „Schwellenwert". Wenn die Datenmenge riesig ist, ist der Unterschied zwischen „mit Datenschutz" und „ohne Datenschutz" kaum noch spürbar. Wenn die Datenmenge klein ist, merkt man den Datenschutz stark.

5. Ein praktischer Test

Sie haben ihren Algorithmus nicht nur auf dem Papier getestet, sondern auch mit echten Daten von Brustkrebs-Patienten aus Rotterdam.

Das Ergebnis: Der Algorithmus hat funktioniert! Er konnte die Überlebenskurven und die Einflussfaktoren sehr gut schätzen, selbst wenn die Daten aufgeteilt waren und stark verrauscht wurden.
Das Werkzeug: Sie haben sogar eine kostenlose Software (ein R-Paket namens FDPCox) veröffentlicht, damit andere Forscher das auch nutzen können.

Zusammenfassung in einem Satz

Die Autoren haben einen cleveren Weg gefunden, wie viele Krankenhäuser gemeinsam lernen können, welche Faktoren das Überleben von Patienten beeinflussen, indem sie ihre Daten wie in einem verrauschten Briefkasten verschicken, sodass niemand die einzelnen Patienten entlarven kann, aber alle gemeinsam das große Bild sehen.

Warum ist das wichtig?
Weil wir in Zukunft medizinische Fortschritte machen wollen, ohne dass Patienten Angst haben müssen, dass ihre sensiblen Gesundheitsdaten missbraucht werden. Dieses Papier zeigt, dass beides möglich ist.

1. Problemstellung und Motivation

Das Paper adressiert zwei fundamentale Probleme in der verteilten Überlebensanalyse (Survival Analysis) unter dem Rahmenwerk des Federated Differential Privacy (FDP):

Die Schätzung der Regressionskoeffizienten ( $\beta_0$ ) im Cox-Proportional-Hazards-Modell.
Die Schätzung der kumulativen Basis-Hazard-Funktion ( $\Lambda_0(t)$ ) und der Überlebensfunktion.

Herausforderungen:

Datenverteilung: Die Daten sind dezentral über mehrere Server ( $S$ ) verteilt, wobei jeder Server eine unterschiedliche Stichprobengröße ( $n_s$ ) und ein unterschiedliches Privatsphärenbudget ( $\epsilon_s, \delta_s$ ) haben kann (Heterogenität).
Zensierung: Survival-Daten sind oft zensiert (Censoring), was die Schätzung komplexer macht als bei standardisierten Regressionsproblemen.
Privatsphäre: Es muss ein Federated Differential Privacy (FDP)-Rahmenwerk eingehalten werden. Dabei wird innerhalb jedes Servers zentraler DP (CDP) angewendet, und nur privatisierte Informationen werden zwischen den Servern ausgetauscht.
Kosten der Privatsphäre: Es ist unklar, wie sich die Privatsphäre auf die statistische Genauigkeit (Minimax-Raten) auswirkt, insbesondere im Vergleich zu nicht-privaten oder zentralen DP-Szenarien.

2. Methodik und Algorithmen

Die Autoren entwickeln effiziente Algorithmen und leiten theoretische Grenzen (Minimax-Raten) ab.

A. Schätzung der Regressionskoeffizienten ( $\beta_0$ )

Algorithmus (FDP-Cox): Es wird ein privater Stochastic Gradient Descent (SGD)-Algorithmus vorgeschlagen.
- Privatsphäre: In jeder Iteration fügt jeder Server Rauschen (Gaussian Mechanism) zu seinem Gradienten hinzu, basierend auf der $\ell_2$ -Empfindlichkeit (Sensitivity) des Cox-Partial-Likelihood-Gradienten.
- Herausforderung: Der Gradient hängt über die „at-risk sets" (Risiko-Sets) von der gesamten Datenmenge ab, was die Empfindlichkeit erhöht (Skalierung mit $\log(n)/n$ statt $1/n$ ).
- Gewichtung: Um die Heterogenität der Server zu berücksichtigen, werden die Updates der Server mit Gewichten $v_s$ gewichtet, die proportional zur effektiven Stichprobengröße jedes Servers sind.
- Interaktivität: Der Algorithmus erlaubt $K$ Iterationen (interaktives Szenario), wobei in jedem Schritt neue Datenbatches verwendet werden, um die Privatsphäre zu wahren.

B. Schätzung der kumulativen Hazard-Funktion ( $\Lambda_0(t)$ )

Algorithmus (FDP-Breslow): Eine private Version des Breslow-Schätzers wird entwickelt.
- Ansatz: Der Zeitraum $[0, 1]$ wird in Intervalle unterteilt. Für jedes Intervall wird ein privater Schätzer berechnet.
- Baum-Mechanismus: Um die Privatsphäre über den gesamten Zeitverlauf zu wahren und die Anzahl der Privatsphären-Kompositionen logarithmisch zu halten, wird ein binärer Baum-Mechanismus (Binary Tree Mechanism) verwendet. Dies ermöglicht die Rekonstruktion von $\hat{\Lambda}(t)$ für beliebige $t$ durch die Addition einer logarithmischen Anzahl von privatisierten Intervall-Schätzern.
- Trunkierung: Um die Empfindlichkeit zu begrenzen, werden Risiko-Sets mit zu geringer Größe durch Trunkierung ausgeschlossen.

C. Erweiterte Szenarien

Label-DP: Das Paper untersucht auch ein relaxiertes Modell, bei dem Kovariaten ( $Z$ ) öffentlich sind und nur die Zeit- und Zensierungsindikatoren ( $T, \Delta$ ) privatisiert werden müssen.
Survival-Funktion: Basierend auf den Schätzern für $\beta_0$ und $\Lambda_0$ wird ein privater Schätzer für die Überlebensfunktion $S(t; z)$ abgeleitet.

3. Theoretische Ergebnisse (Minimax-Analyse)

Die Autoren leiten untere und obere Schranken für den Schätzfehler her, die bis auf poly-logarithmische Faktoren übereinstimmen.

A. Regressionskoeffizienten ( $\beta_0$ )

Die Minimax-Rate für den quadratischen Fehler $\mathbb{E}\|\hat{\beta} - \beta_0\|_2^2$ ist:
$\text{Rate} \asymp \frac{d^2}{\sum_{s=1}^S \min(n_s, \frac{n_s^2 \epsilon_s^2}{d})}$

Interpretation: Der Nenner ist die Summe der effektiven Stichprobengrößen aller Server. Jeder Server trägt entweder mit seiner nicht-privaten Größe $n_s$ oder seiner privaten effektiven Größe $n_s^2 \epsilon_s^2 / d$ bei.
Phasenübergang: Es gibt einen klaren Übergang zwischen dem nicht-privaten Regime (wenn $n_s$ klein oder $\epsilon_s$ groß ist) und dem privaten Regime (wenn $n_s$ groß und $\epsilon_s$ klein ist).
Vergleich: Im homogenen Fall ( $n_s=n, \epsilon_s=\epsilon$ ) ergibt sich $\max(d^2/(Sn), d^3/(Sn^2\epsilon^2))$ . Dies zeigt die „Kosten der Privatsphäre" als zusätzlichen Term $d^3/(Sn^2\epsilon^2)$ .

B. Kummulative Hazard-Funktion ( $\Lambda_0$ )

Für den Supremumsfehler $\mathbb{E}[\sup_t |\hat{\Lambda}(t) - \Lambda_0(t)|]$ wird eine Rate von:
$\text{Rate} \asymp \frac{1}{\sqrt{\sum_{s=1}^S \min(n_s, n_s^2 \epsilon_s^2)}}$
erreicht (unter Annahme, dass $d$ konstant ist oder nicht mit $n$ skaliert). Dies ist bis auf logarithmische Faktoren minimax-optimal.

C. Label-DP Ergebnisse

Im Fall von Label-DP (Kovariaten öffentlich) bleibt die Rate für $\beta_0$ im zentralen DP-Szenario überraschend gleich wie beim vollständigen DP (im Gegensatz zu lokalen DP-Szenarien, wo die Dimension $d$ keinen zusätzlichen Kostenfaktor verursacht). Im federierten Setting zeigt sich ein ähnlicher Phasenübergang, jedoch mit komplexeren Abhängigkeiten von $\epsilon$ und $S$ .

4. Numerische Experimente und Validierung

Simulationen: Die Autoren führen umfangreiche Simulationen durch, die die theoretischen Raten bestätigen.
- Der Fehler nimmt mit steigendem $n$ und $\epsilon$ ab.
- Der Fehler steigt mit der Dimension $d$ .
- Die Ergebnisse zeigen den erwarteten Phasenübergang zwischen privaten und nicht-privaten Regimen.
Realdaten: Die Algorithmen wurden auf dem Rotterdam Breast Cancer Dataset angewendet. Die Ergebnisse zeigen, dass die Algorithmen auch auf realen, zensierten Daten praktikabel sind und die Schätzfehler mit steigendem Budget und mehr Servern sinken.
Software: Ein R-Paket namens FDPCox wurde veröffentlicht, das die vorgeschlagenen Methoden implementiert.

5. Hauptbeiträge und Bedeutung

Erste systematische Minimax-Analyse: Dies ist die erste Arbeit, die die fundamentalen Kosten der Privatsphäre für das Cox-Modell unter federierten DP-Bedingungen quantifiziert.
Algorithmenentwicklung: Entwicklung von effizienten Algorithmen (FDP-Cox und FDP-Breslow), die spezifische Herausforderungen wie die Normalisierung der Risiko-Sets und die Integration von Zensierung bewältigen.
Theoretische Tiefe: Herleitung von Minimax-Lower-Bounds, die zeigen, dass die Schätzung der Überlebensfunktion nicht einfacher ist als die der Regressionskoeffizienten.
Label-DP Einblicke: Untersuchung von Szenarien mit öffentlichen Kovariaten, was für viele medizinische Anwendungen (wo Demografie oft öffentlich ist) relevant ist.
Praktische Relevanz: Die Arbeit bietet eine theoretische Grundlage und praktische Tools für die sichere Analyse sensibler medizinischer Daten in dezentralen Umgebungen (z. B. zwischen verschiedenen Krankenhäusern), ohne Patientendaten zu teilen.

Fazit

Das Paper liefert einen wichtigen Meilenstein in der Schnittmenge von Survival Analysis, Federated Learning und Differential Privacy. Es beweist, dass es möglich ist, statistisch optimale Schätzer für Cox-Modelle unter strengen Privatsphäre-Bedingungen zu entwickeln, und quantifiziert präzise, wie stark die Privatsphäre die Genauigkeit beeinträchtigt. Die vorgestellten Methoden sind sowohl theoretisch fundiert als auch empirisch validiert.