计算受熵受限对手模型下隐私机制的每记录最大泄露与泄露-失真函数

数据收集的指数增长 necessitates robust privacy protections that preserve data utility。我们针对受熵约束 $H(X) \geq b$ 限制的对手进行信息披露分析。在这一信息隐私框架中——取代差分隐私独立性假设的受限知识模型——我们研究了三个核心问题：每记录最大泄露、原始泄露-失真权衡（在失真 $D$ 下最小化最坏情况泄露）以及双重失真最小化（在泄露约束 $L$ 下最小化失真）。这些问题类似于经典信息论问题（信道容量、率失真），但由于高维度和熵约束，问题更为复杂。我们开发了高效的交替优化算法，利用凸性-凹性对偶性，理论保证包括原始问题的局部收敛以及双问题对平稳点的收敛。在二进制对称信道和模数求和查询上的实验验证了算法，显示在现实对手假设下优于经典差分隐私机制的隐私-效用权衡。本工作为在现实对手假设下的隐私风险审计和认证机制设计提供了计算框架。