🤖 machine learning

Workload-Preserving Differentially Private Synthetic Data for Causal Inference via Maximum-Entropy Calibration

यह शोध पत्र "कॉज़ल वर्कलोड्स" का उपयोग करके डिफरेंशियल प्राइवेट सिंथेटिक डेटा उत्पन्न करने के लिए एक फ्रेमवर्क प्रस्तावित करता है जो डबल रूप से सुदृढ़ (doubly robust) एस्टीमेटर मोमेंट्स और मैक्सिमम-एन्ट्रॉपी कैलिब्रेशन पर आधारित है, जो उपचार-आर्म संतुलन को बनाए रखता है और बिना किसी अतिरिक्त गोपनीयता लागत के वैध अनिश्चितता परिमाणीकरण को सक्षम बनाता है।

मूल लेखक: Amir Asiaee, Kaveh Aryan

प्रकाशित 2026-07-10

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amir Asiaee, Kaveh Aryan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास दुनिया के सबसे अच्छे केक की एक गुप्त रेसिपी है, लेकिन आप किसी को भी सामग्री की सूची देखने नहीं दे सकते क्योंकि वह अत्यंत गोपनीय है। आप दुनिया भर के बेकर्स (bakers) को अपना हाथ आज़माने देना चाहते हैं, लेकिन आपको रेसिपी को सुरक्षित रखना है।

आमतौर पर, जब शोधकर्ता इस तरह का गुप्त डेटा साझा करने की कोशिश करते हैं, तो वे डिफरेंशियल प्राइवेसी (Differential Privacy) नामक एक विधि का उपयोग करते हैं। इसे एक जादुई शोर मशीन (noise machine) की तरह समझें। यह वास्तविक डेटा लेता है, उसमें थोड़ा सा 'स्टैटिक' जोड़ता है (जैसे रेडियो का वॉल्यूम इतना बढ़ा देना कि वह धुंधला या फजी हो जाए), और फिर डेटा का एक नकली संस्करण बनाता है जो बिल्कुल असली डेटा जैसा दिखता और महसूस होता है।

लंबे समय तक, लक्ष्य केवल यह था कि नकली डेटा सामान्य रूप से वास्तविक डेटा के समान दिखे। यदि वास्तविक डेटा में 50% चॉकलेट और 50% वैनिला था, तो नकली डेटा में भी ऐसा ही होना चाहिए। इसे "डिस्ट्रीब्यूशनल फिडेलिटी" (distributional fidelity) कहा जाता है। यह एक ऐसी फोटोकॉपी बनाने जैसा है जो दूर से देखने में अच्छी लगे।

लेकिन यहाँ एक समस्या है:
यदि आप एक बेकर हैं जो यह समझने की कोशिश कर रहे हैं कि केक आखिर क्यों फूलता है (एक "कारण संबंधी" या "causal" प्रश्न), तो एक साधारण फोटोकॉपी काफी नहीं है। आपको यह जानने की ज़रूरत है कि अंडे आटे के साथ कैसे क्रिया करते हैं। यदि प्राइवेसी मशीन द्वारा बनाए गए नकली डेटा में चॉकलेट और वैनिला के बीच का संतुलन थोड़ा भी गलत हो जाता है, या यदि "फजीनेस" (धुंधलापन) सामग्री के बीच के संबंध को बिगाड़ देती है, तो आपका निष्कर्ष कि केक क्यों फूला, गलत होगा। आपको लग सकता है कि अंडे राज थे, जबकि वास्तव में वह बेकिंग पाउडर था।

मुख्य विचार: "कॉज़ल वर्कलोड" (The Cusal Workload)

इस पेपर के लेखक कहते हैं, "सब कुछ पूरी तरह से कॉपी करने की कोशिश करना बंद करें। इसके बजाय, उन विशिष्ट सुरागों को कॉपी करें जो कारण और प्रभाव (cause and effect) को समझने के लिए महत्वपूर्ण हैं।"

वे इसे "कॉज़ल वर्कलोड" कहते हैं।
कल्पना कीजिए कि आप एक अपराध सुलझाने की कोशिश कर रहे हैं एक जासूस हैं। एक सामान्य दृष्टिकोण यह होगा कि आप पूरे अपराध स्थल की फोटो लें और उसे थोड़ा धुंधला कर दें। लेकिन एक "कॉज़ल" दृष्टिकोण अलग है। जासूस कहता है, "मुझे पूरे कमरे की फोटो की ज़रूरत नहीं है। मुझे बस यह जानने की ज़रूरत है कि चाकू पर कितने उंगलियों के निशान हैं और दरवाज़े के हैंडल पर कितने हैं।"

इस पेपर में, "जासूस" एक कंप्यूटर एल्गोरिदम है। डेटा का सामान्य सारांश मांगने के बजाय, यह औसत उपचार प्रभाव (Average Treatment Effect - ATE) की गणना करने के लिए आवश्यक विशिष्ट "क्षणों" (गणितीय सुरागों) के बारे में पूछता है। यह एक फैंसी तरीका है यह पूछने का कि: "यदि हम सभी को उपचार (जैसे कोई नई दवा) दें, तो बिना कुछ दिए जाने की तुलना में वे कितने बेहतर होते हैं?"

लेखकों ने इन विशिष्ट सुरागों को निजी तौर पर मापने का एक नया तरीका डिज़ाइन किया है। वे इन सुरागों को ऑर्थोगोनल मोमेंट्स (orthogonal moments) कहते हैं। इन्हें "स्वर्ण चाबियों" (golden keys) के रूप में सोचें जो कारण और प्रभाव के बारे में सच्चाई को अनलॉक करती हैं। यदि आपके पास ये चाबियाँ हैं, तो आप पहेली को हल कर सकते हैं, भले ही बाकी तस्वीर धुंधली हो।

दो मार्ग: डायरेक्ट बनाम सिंथेटिक (Direct vs. Synthetic)

एक बार जब कंप्यूटर के पास ये शोर वाले "स्वर्ण चाबियाँ" आ जाती हैं, तो वह दो चीजें कर सकता है:

डायरेक्ट पाथ (Direct Path): यह उत्तर की गणना करने के लिए चाबियों का तुरंत उपयोग करता है।
सिंथेटिक पाथ (Synthetic Path): यह चाबियों का उपयोग एक नकली डेटासेट (एक "सिंथेटिक" डेटासेट) को फिर से बनाने के लिए करता है जिसमें वे चाबियाँ सीधे शामिल होती हैं। फिर, कोई भी इस नकली डेटासेट का उपयोग अपने स्वयं के प्रयोग चलाने के लिए कर सकता है।

पेपर दिखाता है कि यदि आप NA+MI (Noise-Aware Multiple Imputation) नामक एक विशेष ट्रिक के साथ सिंथेटिक पाथ का उपयोग करते हैं, तो आपको दोनों दुनियाओं का सर्वश्रेष्ठ लाभ मिलता है।

NA+MI एक सुरक्षा जाल (safety net) की तरह है। जब कंप्यूटर नकली डेटा बनाता है, तो उसे पता होता है कि कितना "शोर" (फजीनेस) जोड़ा गया है। यह इस जानकारी का उपयोग यह कहने के लिए करता है कि, "मैं 95% निश्चित हूँ कि उत्तर X और Y के बीच है," और यह उस सीमा (range) को इतना पर्याप्त चौड़ा बनाता है कि वह अनिश्चितता के प्रति ईमानदार रहे।

उन्होंने क्या पाया (परिणाम)

लेखकों ने पांच अलग-अलग वास्तविक दुनिया के डेटासेट्स (जैसे जुड़वा बच्चों, शिशुओं और जॉब ट्रेनिंग प्रोग्रामों पर डेटा) पर इसका परीक्षण किया। यहाँ क्या हुआ:

"जेनेरिक" दृष्टिकोण: जब उन्होंने असली डेटा को कॉपी करने के पुराने, सामान्य तरीके का उपयोग किया, तो ढीले प्राइवेसी नियमों के तहत परिणाम अक्सर बहुत सटीक (कम त्रुटि वाले) दिखते थे। हालाँकि, जब प्राइवेसी नियम सख्त थे (बहुत कम डेटा की अनुमति थी), तो नकली डेटा अच्छा दिखता था लेकिन कारण और प्रभाव के बारे में गलत उत्तर देता था। उनके कॉन्फिडेंस इंटरवल्स (सुरक्षा जाल) बहुत संकीर्ण थे, जिससे लोग तब भी आश्वस्त महसूस करते थे जब वे वास्तव में गलत थे। वास्तव में, सख्त प्राइवेसी स्तरों पर, ये तरीके सही उत्तर केवल 35% (या उससे कम) बार ही दे पाते थे, जबकि उन्हें 95% बार सही होना चाहिए था।
"कॉज़ल" दृष्टिकोण: जब उन्होंने अपने नए कॉज़ल वर्कलोड के साथ NA+MI सुरक्षा जाल का उपयोग किया, तो परिणाम अलग थे।
- सख्त प्राइवेसी स्तरों (जैसे $\epsilon = 0.5$ ) पर, यह तरीका 99.8% से 100% बार सही उत्तर देता है।
- उनके "सुरक्षा जाल" (कॉन्फिडेंस इंटरवल्स) बहुत व्यापक थे, लेकिन वे ईमानदार थे। उन्होंने सच बताया: "हम 100% निश्चित नहीं हैं, लेकिन हमें यकीन है कि उत्तर इस सीमा के भीतर है।"

ट्रेड-ऑफ (Tradeoff)

पेपर एक दिलचस्प ट्रेड-ऑफ की ओर इशारा करता है।

यदि आप केवल सटीक संख्या (पॉइंट एस्टीमेट) जानना चाहते हैं और आपको 100% निश्चित होने की चिंता नहीं है, तो ढीले प्राइवेसी नियमों के तहत पुराने जेनेरिक तरीके कभी-कभी जीत जाते हैं।
लेकिन यदि आपको एक वैध निर्णय लेना है (जैसे "क्या हमें इस दवा को मंजूरी देनी चाहिए?"), तो आपको यह जानने की ज़रूरत है कि क्या आप उस संख्या पर भरोसा कर सकते हैं। जेनेरिक तरीके यहाँ विफल हो जाते हैं क्योंकि वे खुद को अपनी वास्तविकता से अधिक निश्चित दिखाने का ढोंग करते हैं। नया कॉज़ल तरीका ही एकमात्र ऐसा है जो अपने वादों को निभाता है कि वह भरोसेमंद है, भले ही प्राइवेसी नियम बहुत सख्त हों।

उन्होंने किसे खारिज किया

यह पेपर स्पष्ट रूप से इस विचार के खिलाफ तर्क देता है कि "नकली डेटा को हर तरह से असली डेटा जैसा दिखाना" सबसे अच्छा लक्ष्य है। उन्होंने दिखाया कि आप एक ऐसा नकली डेटासेट रख सकते हैं जो सामान्य सांख्यिकी में एकदम सही दिखता है (कम त्रुटि के साथ), लेकिन फिर भी आपको कारण और प्रभाव के बारे में पूरी तरह से गलत उत्तर दे सकता है। उन्होंने इस विचार को भी खारिज कर दिया कि आप नकली डेटा के साथ ऐसे व्यवहार कर सकते हैं जैसे वह असली हो; आपको प्राइवेकी शोर (privacy noise) को ध्यान में रखना ही होगा, अन्यथा आपके निष्कर्ष अमान्य होंगे।

वे कितने सुनिश्चित हैं?

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने पांच अलग-अलग डेटासेट्स पर सिमुलेशन चलाए। उन्होंने हजारों बार परीक्षण किया (अधिकांश परीक्षणों के लिए 500 पुनरावृत्ति)।

उन्होंने पाया कि उनका तरीका सख्त प्राइवेसी बजट पर लगातार लगभग पूर्ण कवरेज (99.8–100% बार सही उत्तर देना) प्राप्त करता है।
उन्होंने गणितीय रूप से सिद्ध किया कि उनका तरीका त्रुटियों को विशिष्ट भागों (सैंपलिंग एरर, प्राइवेसी नॉइज़, और एप्रोक्सिमेशन एरर) में विभाजित करता है, जिससे यह पता चलता है कि गलतियाँ कहाँ से आती हैं।
उन्होंने यह भी दिखाया कि उनका तरीका बिना अतिरिक्त प्राइवेसी बजट खर्च किए, विभिन्न प्रकार के प्रश्नों (जैसे औसत उपचार प्रभाव, या विशिष्ट उपसमूहों पर प्रभाव) के लिए काम करता है।

एक जिज्ञासु किशोर के लिए टेकअवे (Takeaway)

इसे ऐसे सोचिए:
यदि आप जानना चाहते हैं कि एक नया वीडियो गेम स्ट्रैजी काम करता है या नहीं, तो आप 1,000 खिलाड़ियों से पूछ सकते हैं। लेकिन यदि आपको उनकी गोपनीयता की रक्षा के लिए उनके जवाबों को धुंधला करना पड़ता है, तो आप केवल यह पूछकर उम्मीद नहीं कर सकते कि "क्या आप जीते?" और फिर उम्मीद कर सकते हैं कि सब ठीक होगा। आपको उन सही सवालों को पूछने की ज़रूरत है जो आपको यह समझने में मदद करें कि वे क्यों जीते।

लेखकों ने "सही सवालों" का एक नया सेट (कॉज़ल वर्कलोड) बनाया है और जवाबों को सुनने का एक नया तरीका (NA+MI) विकसित किया है जो धुंधलेपन (शोर) को ध्यान में रखता है। उन्होंने दिखाया कि जबकि पुराना तरीका आपको एक तेज़ और सुंदर उत्तर दे सकता है, वह अक्सर आपसे झूठ बोलता है कि वह कितना निश्चित है। नया तरीका आपको थोड़ा धुंधला और व्यापक उत्तर दे सकता है, लेकिन यह एकमात्र तरीका है जिस पर आप वास्तव में भरोसा कर सकते हैं जब दांव ऊंचे हों।

संक्षेप में: केवल डेटा की नकल न करें; उन सुरागों को कॉपी करें जो मायने रखते हैं, और हमेशा यह स्वीकार करें कि आप कितना नहीं जानते।

तकनीकी सारांश: अधिकतम-एन्ट्रॉपी अंशांकन (Maximum-Entropy Calibration) के माध्यम से कारण अनुमान (Causal Inference) के लिए वर्कलोड-संरक्षण वाले विभेदक रूप से निजी (Differentially Private) सिंथेटिक डेटा

1. समस्या विवरण

डिफरेंशियल प्राइवेसी (DP) का उपयोग संवेदनशील सारणीबद्ध डेटा (tabular data) को सार्वजनिक उपयोग के लिए जारी करने हेतु किया जा रहा है, जो अक्सर एक "चयन-मापन-पुनर्निर्माण" (select–measure–reconstruct) पाइपलाइन के माध्यम से जनरेट किए गए सिंथेटिक माइक्रोडाटा के माध्यम से होता है। जबकि अत्याधुनिक विधियाँ (जैसे, MWEM, AIM, Private-PGM) जेनेरिक निम्न-आयामी मार्जिनल्स (low-dimensional marginals) को संरक्षित करके मजबूत वितरणल फिडेलिटी (distributional fidelity) प्राप्त करती हैं, वे अक्सर वैध कारण अनुमान (causal inference) का समर्थन करने में विफल रहती हैं।

कारण अनुमान (Causal estimands), जैसे कि औसत उपचार प्रभाव (Average Treatment Effect - ATE), विशिष्ट संरचनात्मक गुणों पर निर्भर करते हैं—अर्थात, उपचार-आर्म बैलेंस (treatment-arm balance) और सशर्त परिणाम मोमेंट्स (conditional outcome moments)—जो जेनेरिक मार्जिनल्स आवश्यक रूप से संरक्षित नहीं करते हैं।

मुख्य प्रश्न जिसका समाधान किया गया है: वैध कारण अनुमान को सक्षम करने के लिए एक सिंथेटिक डेटा तंत्र को किन DP क्वेरीज़ को संरक्षित करना चाहिए, और मौलिक गोपनीयता-कारण ट्रेडऑफ (privacy–causal tradeoffs) क्या हैं?

2. कार्यप्रणाली (Methodology)

कारण वर्कलोड (Causal Workloads)
लेखक कारण वर्कलोड का प्रस्ताव करते हैं, जो डबल-रोबस्ट (DR) कारण अनुमानकों द्वारा उपयोग किए जाने वाले ऑर्थोगोनल मोमेंट्स (orthogonal moments) के इर्द-गिर्द डिज़ाइन की गई DP क्वेरीज़ का एक सेट है। जेनेरिक मार्जिनल्स को मापने के बजाय, तंत्र मापता है:

उपचार-आर्म फीचर मास (Treatment-arm feature masses): $q^{(0)}_t = \frac{1}{n} \sum \mathbb{1}\{T_i=t\} \phi(X_i)$
परिणाम-भारित फीचर मोमेंट्स (Outcome-weighted feature moments): $q^{(1)}_t = \frac{1}{n} \sum \mathbb{1}\{T_i=t\} Y_i \phi(X_i)$

यहाँ, $\phi$ एक फीचर मैप है (जैसे, डिस्क्रीटाइज्ड बिन्स या स्प्लाइन्स)। ये चार ब्लॉक उन मोमेंट्स के अनुरूप हैं जो फीचर बेसिस पर प्रोजेक्ट किए गए न्युसेंस फंक्शन्स (nuisance functions) के ऑर्थोगोनल स्कोर को पहचानने के लिए आवश्यक हैं।

रिलीज़ और पुनर्निर्माण मार्ग (Release and Reconstruction Routes)
नॉइजी वर्कलोड वेक्टर $\tilde{q}$ को एक बार रिलीज़ किया जाता है। यह दो डाउनस्ट्रीम मार्गों का समर्थन करता है:

डायरेक्ट मोमेंट रूट ( $q$ -route): एक स्थिर अनुमानक (जैसे, प्रोजेक्टेड रिज रिग्रेशन या क्लिप्ड IPW/AIPW) को सीधे $\tilde{q}$ के फलन के रूप में मूल्यांकित किया जाता है।
सिंथेटिक डेटा रूट: नॉइजी मोमेंट्स से मेल खाने के लिए एक अधिकतम-एन्ट्रॉपी वितरण $P^{syn}$ को पुनर्गठित किया जाता है (Private-PGM शैली के अंशांकन के माध्यम से)। सिंथेटिक रिकॉर्ड्स को $P^{syn}$ से सैंपल किया जाता है और मानक कारण अनुमानकों का उपयोग करके उनका विश्लेषण किया जाता है।

अनुकूली चयन (CAUSAL-AIM)
दक्षता में सुधार के लिए, लेखक CAUSAL-AIM नामक एक अनुकूली तंत्र पेश करते हैं, जो मापने के लिए फीचर समूहों को पुनरावृत्ति (iteratively) के साथ चुनता है। यह अगले कोऑर्डिनेट ब्लॉक को चुनने के लिए ऑर्थोगोनल स्कोर रेसिडुअल्स पर आधारित एक निजी अनुमान का उपयोग करता है, और प्रत्येक चरण के बाद अधिकतम-एन्ट्रॉपी मॉडल को फिर से फिट करता है।

नॉइज़-अवेयर इंफरेंस (NA+MI)
नैव (naive) कॉन्फिडेंस इंटरवल्स की अमान्यता को संबोधित करने के लिए, पेपर नॉइज़-अवेयर मल्टीपल इम्प्यूटेशन (NA+MI) का प्रस्ताव करता है। यह प्रक्रिया रिलीज़ किए गए नॉइजी मोमेंट्स को लेटेंट (latent) वास्तविक मोमेंट्स के अवलोकनों के रूप में मानती है। यह मोमेंट्स के कई पोस्टीरियर रियलाइजेशन को ड्रा करती है, प्रत्येक के लिए सिंथेटिक डेटासेट को पुनर्गठित करती है, कारण अनुमानों की गणना करती है, और रुबिन के नियमों (Rubin's rules) का उपयोग करके उन्हें संयोजित करती है। यह स्पष्ट रूप से DP नॉइज़ को अंतिम अनिश्चितता मात्रा निर्धारण (uncertainty quantification) में प्रसारित करता है।

3. सैद्धांतिक योगदान (Theoretical Contributions)

पेपर परिमित-नमूना त्रुटि सीमाएं (finite-sample error bounds) प्रदान करता है जो ATE त्रुटि को पांच अलग-अलग पदों में विभाजित करती है:

सैंपलिंग एरर (Sampling Error): परिमित नमूना आकार से मानक त्रुटि।
प्राइवेसी एरर (Privacy Error): वर्कलोड रिलीज़ में DP नॉइज़ द्वारा पेश की गई त्रुटि।
वर्कलोड-एप्रोक्सिमेशन एरर (Workload-Approximation Error): चुने गए फीचर बेसिस $\phi$ के भीतर वास्तविक आउटकम/प्रोपेंसिटी मॉडल्स को दर्शाने से उत्पन्न होने वाला बायस।
मोंटे कार्लो एरर (Monte Carlo Error): परिमित सिंथेटिक नमूना आकार से त्रुटि।
कैलिब्रेशन एरर (Calibration Error): नॉइजी मेजरमेंट्स और पुनर्गठित वितरण के बीच का अंतर (असंभव बाधाओं या सॉल्वर टॉलरेंस के कारण)।

सिद्धांत स्थापित करता है कि कारण अनुमानक (जैसे, रिज-प्लग-इन्स और क्लिप्ड IPW/AIPW) वर्कलोड मोमेंट्स में व्यवधानों के प्रति लिप्सचिट्ज स्थिर (Lipschitz stable) हैं। यह स्थिरता गोपनीयता शोर (privacy noise) को सीधे कारण अनुमान त्रुटि में मैप करने की अनुमति देती है। एक प्रमुख डिज़ाइन नियम जो निकाला गया है वह यह है कि DP विरूपण (distortion) को सैंपलिंग शोर से नीचे रखने के लिए, प्राइवेसी बजट $\epsilon$ को $\sqrt{\log m / n}$ के साथ स्केल करना चाहिए।

4. प्रयोगात्मक परिणाम (Experimental Results)

इन विधियों का मूल्यांकन चार बेंचमार्क (IHDP, Twins, ACIC 2016, LaLonde) और विभिन्न $\epsilon \in \{0.5, 1, 2, 5\}$ बजट वाले एक सेमी-सिंथेटिक ACS अध्ययन पर किया गया।

पॉइंट एक्यूरेसी बनाम कवरेज (Point Accuracy vs. Coverage): ढीले प्राइवेसी बजट ( $\epsilon \ge 2$ ) पर जेनेरिक वर्कलोड (MST, AIM) आम तौर पर कम पॉइंट RMSE प्राप्त करते हैं। हालांकि, सख्त बजट ( $\epsilon \le 1$ ) पर, Causal Workload + NA+MI कई डेटासेट्स पर RMSE में प्रतिस्पर्धी या श्रेष्ठ हो जाता है।
कैलिब्रेटेड अनसर्टेन्टी (Calibrated Uncertainty): सिंथेटिक डेटा के नैव विश्लेषण (उन्हें वास्तविक मानना) के परिणामस्वरूप गंभीर अंडर-कवरेज (अक्सर $\epsilon \le 1$ पर $<35\%$ ) होता है। Causal Workload + NA+MI एकमात्र ऐसा तरीका है जो सख्त प्राइवेसी बजटों में सभी बेंचमार्क में नाममात्र कवरेज (99.8–100%) प्राप्त करता है।
अनुकूली बनाम निश्चित (Adaptive vs. Fixed): CAUSAL-AIM मध्यम बजट ( $\epsilon \ge 1$ ) पर फिक्स्ड वर्कलोड की तुलना में RMSE को काफी कम करता है, लेकिन बहुत सख्त बजट ( $\epsilon = 0.5$ ) में प्रदर्शन खराब कर सकता है जहाँ बेहतर फीचर लक्ष्यीकरण के लिए अतिरिक्त प्राइवेसी खर्च करने की लागत, इसके लाभ से अधिक हो जाती है।
पुन: उपयोग (Reuse): एक एकल DP सिंथेटिक रिलीज़ बिना किसी अतिरिक्त प्राइवेसी खर्च के ATE, ATT और सबग्रुप विश्लेषण का समर्थन करती है, जो कि डायरेक्ट DP अनुमानकों के लिए उपलब्ध नहीं होने वाला गुण है।
फिडेलिटी ट्रेडऑफ (Fidelity Tradeoff): जेनेरिक वर्कलोड अक्सर मार्जिनल फिडेलिटी मेट्रिक्स (Total Variation Distance) में हावी होते हैं, फिर भी यह कारण उपयोगिता (ATE सटीकता या कवरेज) के साथ सह-संबंध नहीं रखता है।

5. महत्व और दावे (Significance and Claims)

पेपर यह तर्क देता है कि वितरणल फिडेलिटी (distributional fidelity) कारण अनुमान के लिए अपर्याप्त है। वैध कारण अनुमान के लिए जेनेरिक मार्जिल्स के बजाय विशिष्ट कारण मोमेंट्स (कारण-आर्म बैलेंस और आउटकम-फीचर इंटरैक्शन) को संरक्षित करना आवश्यक है।

प्राथमिक महत्व पॉइंट सटीकता और वैध अनसर्टेन्टी मात्रा निर्धारण के बीच ट्रेडऑफ में निहित है:

जब लक्ष्य व्यापक मार्जिनल फिडेलिटी या खोजपूर्ण विश्लेषण (exploratory analysis) हो, तो जेनेरिक वर्कलोड पर्याप्त हो सकते हैं।
जब लक्ष्य वैध कारण अनुमान के साथ कैलिब्रेटेड कॉन्फिडेंस इंटरवल प्राप्त करना हो, विशेष रूप से सख्त प्राइवेसी बजट के तहत, तो कारण वर्कलोड के साथ नॉइज़-अवेयर इंफरेंस (NA+MI) आवश्यक है।

लेखक निष्कर्ष निकालते हैं कि जबकि जेनेरिक विधियाँ कम-प्राइवेसी शासन में बेहतर पॉइंट अनुमान प्रदान कर सकती हैं, वे विश्वसनीय अनसर्टेन्टी मात्रा निर्धारण प्रदान करने में विफल रहती हैं। प्रस्तावित ढांचा विश्लेषकों को एक एकल रिलीज़ से ATE, ATT और सबग्रुप विश्लेषण करने की अनुमति देता है और साथ ही विभेदक गोपनीयता द्वारा पेश की गई अनिश्चितता को सही ढंग से प्रसारित करता है।

लेखकों द्वारा स्वीकार की गई सीमाएँ:

यह दृष्टिकोण एक फीचर मैप $\phi$ चुनने पर निर्भर करता है, जो यदि वास्तविक मॉडल अत्यधिक नॉन-लीनियर हैं, तो एप्रोक्सिमेशन बायस (approximation bias) पेश कर सकता है।
जब DP नॉइज़, सैंपलिंग एरर पर हावी होता है, तो वैध कॉन्फिडेंस इंटरवल व्यापक हो सकते हैं।
वर्तमान कार्यान्वयन AIM/Private-PGM पुनर्निर्माण परिवार पर केंद्रित है।
सिद्धांत मोमेंट-स्तरीय सीमाएं प्रदान करता है लेकिन सैंपल किए गए सिंथेटिक पंक्तियों पर प्रत्येक डाउनस्ट्रीम न्युसेंस-फिटिंग रूटीन का पूरी तरह से विश्लेषण नहीं करता है।