差分隐私：效用与信息泄露之间的权衡

差分隐私是一种在数据库社区中变得非常流行的隐私概念。大致来说，其思想是：如果两个相邻数据集给出相同答案的概率之比受$e^\epsilon$约束，则随机查询机制提供了足够的隐私保护。在信息流领域，控制信息泄露（即限制从可观测信息推断秘密信息的可能性）也有类似的关注。近年来，研究人员提出用Rényi最小互信息（一种与贝叶斯风险密切相关的概念）来量化泄露。在本文中，我们展示了如何将查询系统建模为信息论信道，并比较了差分隐私与互信息的概念。我们证明差分隐私意味着对互信息的约束（但反之不成立）。此外，我们证明我们的界是紧的。然后，我们考虑随机化机制的效用，它表示随机化答案平均而言与真实答案的接近程度。我们证明差分隐私的概念意味着对效用的约束（也是紧的），并提出一种方法，在特定条件下构建最优随机化机制，即在保证差分隐私的同时提供最佳效用的机制。