洗牌模型中的差分隐私：分离性综述

差分隐私通常在一个模型或另一个模型中被研究。在中心模型中，单一分析者负责在数据上执行隐私保护计算。而在本地模型中，每个数据所有者确保自身的隐私。尽管本地模型消除了对分析者的信任需求，但本地隐私是有代价的：在解决许多学习和估计问题时，本地私有协议比中心私有对应协议准确性更低。洗牌模型中的协议旨在兼得两者之长：近期工作表明，仅需温和的信任假设即可实现高准确性。本综述论文概述了新颖的洗牌协议，以及确立该新模型极限的下界。我们还总结了展示洗牌模型中交互性前景的工作。