差分隐私计数查询的高效去随机化

差分隐私在2020年人口普查中需要约 90 TB 的随机性[GL20]，这一数量可能在成本上昂贵或在实际操作中完全不可实现。针对这些实际问题，[CSV25] 启动了差分隐私随机性复杂度研究，特别是针对 d 个计数查询的随机性复杂度。这一任务是输出满足谓词 P1,...,Pd 的数据条目数量。他们展示了一个令人惊讶的事实：尽管任何对单个计数查询进行精确且满足 ε-差分隐私的机制在期望下需要 1-O(ε) 位随机性，但存在一种相当精确的 d 个计数查询机制只需在期望下 O(log d) 位随机性。[CSV25] 的机制效率不高（非多项式时间），且依赖于称为圆整方案的组合对象。本文给出一种多项式时间机制，实现了与[CSV25] 相同的随机性复杂度与精度之间的近似权衡。我们的构建基于以下简单观察：在对每个计数查询的答案进行随机位移后，许多计数查询的答案在是否对该坐标添加噪声方面保持不变。这使我们可以省去对许多计数查询结果添加噪声的步骤。我们的机制不使用圆整方案，因此为获得批量处理 d 个计数查询可实现的随机性节省提供了不同的——我们认为更清晰的——洞察。