从统计披露控制到公平 AI：驾驭差分隐私中的基本权衡

Adriana Watson

从统计披露控制到公平 AI：驾驭差分隐私中的基本权衡

密码学与安全 2026-01-27 v1

作者: Adriana Watson

摘要

差分隐私已成为隐私保护机器学习系统的黄金标准。遗憾的是，后续工作主要聚焦于隐私-效用权衡，使得公平性约束这一主题未得到充分重视与研究。本文对三条线索进行了系统性梳理与连接：(1) Dalenius 关于语义隐私的不可实现性结果，(2) Dwork 的差分隐私作为一种可实现替代方案，以及 (3) 加入公平性要求后涌现的不可实现性结果。通过具体实例与技术分析，本文展示了隐私、效用与公平性之间的三方帕累托前沿，以阐明同时实现这些目标所受的根本限制。在本研究中，我们刻画了这些限制，展示了对少数群体的影响，并提供了驾驭这些权衡的实践指导。这构成了一个综合分散结果的统一框架，旨在帮助从业者与政策制定者在部署隐私保护的公平学习系统时做出明智决策。

关键词

差分隐私统计披露控制公平性约束隐私-效用权衡帕累托前沿公平 AI 隐私保护机器学习

引用

@article{arxiv.2601.17909,
  title  = {From Statistical Disclosure Control to Fair AI: Navigating Fundamental Tradeoffs in Differential Privacy},
  author = {Adriana Watson},
  journal= {arXiv preprint arXiv:2601.17909},
  year   = {2026}
}

备注

8 pages, 3 figures

从统计披露控制到公平 AI：驾驭差分隐私中的基本权衡

摘要

关键词

引用

备注

相关论文