面向接触痕迹的差分隐私神经增强 (DNA)

新冠肺炎疫情造成了巨大的经济和社会影响。接触痕迹是通过早期检测潜在病毒携带者来降低感染率的有效方法。然而，该方法在最近的疫情中并未得到广泛采用，隐私 concerns 是主要的障碍。我们显著改进了当前最优 decentralized 接触痕迹方法的隐私保障。与之前基于统计推断的工作不同，我们通过引入学习到的神经网络进行推断增强，并确保该神经增强满足差分隐私。在epsilon=1的消息下，本工作在新冠肺炎模拟器中能够显著提高对潜在感染者的检测率，从而通过针对性检测降低感染率。这一工作标志着将深度学习成功集成到接触痕迹系统中并维持关键隐私保障的重要第一步。