洗牌模型下的差分隐私聚合：近乎单条消息实现近乎中心化精度
密码学与安全
2021-09-28 v1 数据结构与算法
摘要
差分隐私的洗牌模型因处于被广泛研究的中心化模型与本地模型之间的中间地带而引起了文献中的关注。在本工作中，我们研究在洗牌模型中对实数或整数求和（聚合）的问题，这是众多机器学习任务中的基本原语。我们给出了一种协议，其实现的误差可任意接近中心模型下（离散）拉普拉斯机制的误差，而每个用户期望仅发送 条短消息。
引用
@article{arxiv.2109.13158,
title = {Differentially Private Aggregation in the Shuffle Model: Almost Central Accuracy in Almost a Single Message},
author = {Badih Ghazi and Ravi Kumar and Pasin Manurangsi and Rasmus Pagh and Amer Sinha},
journal= {arXiv preprint arXiv:2109.13158},
year = {2021}
}
备注
Appeared in ICML'21