在实用假设下实现 Dalenius 的数据隐私目标

当前的差分隐私框架面临重大挑战：易受相关数据攻击以及效用与隐私权衡欠佳。为了解决这些局限性，我们使用 Shannon 完美保密框架为 Dalenius 的隐私愿景建立了一个新的信息论基础。通过利用密码系统（小密钥）与隐私机制（海量数据集）之间的根本区别，我们用实用的部分知识约束（$H(X) \geq b$）取代了差分隐私的严格独立性假设。我们提出了一个信息隐私框架，该框架实现了 Dalenius 安全性并具有可量化的效用与隐私权衡。至关重要的是，我们证明了基础机制——随机响应、指数和高斯信道——在满足 Dalenius 要求的同时保留了群隐私和组合性质。我们的信道容量分析将无限维评估简化为有限凸优化，从而能够直接应用信息论工具。实证评估表明，个体信道容量（每个个体的最大信息泄露）随熵约束 $b$ 的增加而减小，并且在等效隐私保证下，与经典差分隐私机制相比，我们的框架实现了更优的效用与隐私权衡。该框架通过 Yao 理论扩展到计算有界对手，统一了密码学和统计隐私范式。总的来说，这些贡献为实用、可组合的隐私提供了一条有理论依据的路径——有待未来对权衡特征进行解决——并增强了对相关攻击的抵御能力。