用户级隐私下的持续均值估计

我们考虑持续发布样本流总体均值估计的问题，该估计满足用户级差分隐私（DP）。在每一时刻，一个用户贡献一个样本，且用户可以以任意顺序到达。迄今为止，持续发布与用户级隐私这些要求被孤立考虑。但在实践中，这两项要求同时出现，因为用户常重复贡献数据且会进行多次查询。我们提供一种算法，在每一时刻$t$输出均值估计，使得整体发布满足用户级$\varepsilon$-DP，并具有以下误差保证：记$M_t$为用户贡献的最大样本数，只要有$\tilde{\Omega}(1/\varepsilon)$个用户各贡献$M_t/2$个样本，时刻$t$的误差为$\tilde{O}(1/\sqrt{t}+\sqrt{M}_t/t\varepsilon)$。这是一种通用误差保证，对所有用户到达模式均成立。此外，当用户贡献相等数量样本时，它在所有时刻（几乎）匹配单轮发布场景的现有下界。