调和而非搅拌（三）：换位是否具有差分隐私性？

关于题目所询问的答案是否精确且有上下文的，本文的“调和而非搅拌”三部曲反映了我们深化理论基础、扩大实用适用性、减少误解的愿望——全部而不搅动其核心基础。事实上，鉴于超过 200 种差分隐私 (DP) 表述（且持续增多），在even attempt 回答标题问题之前，必须首先精确指定什么是 DP。以此为动机，对 DP 基本本质的理论调查导致了本三部曲的第一部分，该部分介绍了一个五要素建构系统，阐述了 DP 的谁、何处、什么、如何以及多少等方面。将该系统在美国人口普查局情境下实例化后，第二部分展示了 DP 的更广泛适用性和相关性，通过比较类似 2010 年使用的置换策略与 TopDown Algorithm——一种采用于 2020 年人口普查的 DP 方法。本文提供了前两部分的非技术性概述以及新的讨论——例如，如何通过更大程度的意识窥探五个建构要素可以阻止隐私戏剧化；我们的成果如何桥接传统 SDC 和 DP 允许数据托管者获益于这两个领域；不变式如何影响披露风险；以及如何消除对随机不确定性的隐式依赖可能导致 DP 的新泛化。