分布式隐私数据下的条件平均处理效应估计新方法：数据协作双重机器学习(DC-DML)的创新与应用

为解决分布式数据中隐私保护与因果推断的难题，研究人员提出数据协作双重机器学习(DC-DML)方法，通过构建隐私保护融合数据实现条件平均处理效应(CATE)的半参数估计。研究通过仿真验证了该方法在避免迭代通信的同时，性能优于现有方法，为跨机构医疗数据分析和政策评估提供了高效工具。

　　

在医疗健康和政策评估领域，准确估计干预措施对不同个体的差异化效果（条件平均处理效应，CATE）至关重要。然而，当数据分散在不同机构且包含敏感信息时，传统集中式分析方法面临隐私泄露风险。现有联邦学习方法虽能保护数据隐私，但存在通信效率低、模型误设敏感性高等局限。这一矛盾在新冠疫情追踪、跨医院疗效分析等场景中尤为突出，亟需一种既能保护数据隐私又能保持统计效力的创新方法。

针对这一挑战，中国科学院数学与系统科学研究院的研究团队在《Expert Systems with Applications》发表研究，提出数据协作双重机器学习（DC-DML）框架。该方法通过三阶段协作：首先各机构将原始数据转化为降维的中间表示；其次分析师基于分布式表征构建全局模型；最后各机构利用返回参数完成本地化估计。关键技术包括：1）基于主成分分析(PCA)和局部保持投影(LPP)的隐私保护降维；2）双重机器学习(DML)框架下的半参数估计；3）基于自助法(bootstrap)的协作表征构建。通过理论证明，该方法在满足Neyman正交性条件下，可实现与集中式分析相当的估计效率。

研究团队通过三类实验验证DC-DML的优越性。在仿真数据中，当不同机构数据分布存在偏差时（如图3所示），DC-DML的CATE估计均方根误差(RMSE)较个体分析降低42%。半仿真实验中，使用婴儿健康数据集时，其表现超越联邦因果推断(FedCI)等5种对比方法，在潜在混杂因素存在时仍保持稳健。真实金融数据测试显示，即使参与方样本量差异达10倍，DC-DML的ATE估计偏差仍控制在5%以内（图5-6）。

核心创新在于：1）首次实现分布式数据下的半参数CATE估计，通过θ(x_i)=[1,x_i^T]β的线性扩展，克服了传统参数模型误设风险；2）提出非迭代式知识累积机制，允许跨时段、跨机构协作，如图1所示的知识库构建流程；3）理论证明协作表征G_k能保留原始数据90%以上的有效信息（定理2）。在医疗场景下，这意味着医院间可共享治疗效果模型而非原始病历，既保护患者隐私，又能提升罕见病疗效评估精度。

讨论部分指出，当协作表征维度mˇ=m时，DC-DML与集中式分析的渐近等价性（公式8-10）。但研究也承认局限性：对非线性CATE的适应性不足，且依赖治疗分配的覆盖假设。未来工作将探索自动确定最优mˇ的算法，并扩展至纵向数据场景。该成果为构建跨机构医疗AI协作平台提供了方法论基础，特别适用于需同时满足《通用数据保护条例》(GDPR)和临床研究规范的跨国研究。