基于安全抽样的分布式差分隐私数据分析
密码学与安全
2025-03-06 v2 机器学习
摘要
我们提出了线性变换模型，一种分布式差分隐私数据分析模型。客户端可访问能够对输入应用公共矩阵的受信任平台。此类计算可通过简单高效的安全多方计算技术在多个服务器之间安全分布。线性变换模型是中央模型和最小局部模型之间的中间模型。在中央模型中，客户端可访问能够对其输入应用任何函数的受信任平台。然而，这种表达性往往代价高昂，难以在多个服务器之间安全分布，导致中央模型通常由单个受信任服务器实现。相比之下，局部模型假设没有受信任平台，这迫使客户端向数据中添加显著噪声。线性变换模型避免了中央模型中存在的隐私单点故障，同时也缓解了局部模型中高噪声的要求。我们展示了线性变换在差分隐私中非常有用，允许对输入数据的线性草图进行计算。这些草图在诸如私有低秩近似和私有脊部回归等任务中基本保留实用性，同时仅引入最小误差，关键在于与客户端数量无关。
引用
@article{arxiv.2412.00497,
title = {Distributed Differentially Private Data Analytics via Secure Sketching},
author = {Jakob Burkhardt and Hannah Keller and Claudio Orlandi and Chris Schwiegelshohn},
journal= {arXiv preprint arXiv:2412.00497},
year = {2025}
}