中间隐私模型中的匿名化直方图

我们研究在隐私下计算匿名化直方图（亦称无归属直方图）的问题，其定义为没有项目标签的直方图。以往的工作在差分隐私 (DP) 的中心模型中提供了 $\ell_1$- 和 $\ell_2^2$- 误差为 $O_\varepsilon(\sqrt{n})$ 的算法。在本工作中，我们在 shuffle DP 和 pan-privacy 模型中提供了一种误差保证为 $\tilde{O}_\varepsilon(\sqrt{n})$ 且近乎匹配的算法。我们的算法非常简单：它仅对添加了离散拉普拉斯噪声的直方图进行后处理！我们将该算法作为子程序，展示了其在隐私估计分布对称属性（如熵、支持度覆盖和支持度大小）方面的应用。