黑盒设定下 Rényi 差分隐私的下界
密码学与安全
2022-12-12 v1
摘要
我们提出了评估算法在 Rényi 差分隐私方面隐私保证的新方法。据我们所知,本工作是首个在黑盒场景下解决该问题的工作,其中仅可获得算法输出。为量化隐私泄露,我们设计了一种用于一对输出分布的 Rényi 散度的新估计量。该估计量被转化为一个统计下界,并被证明在大样本下以高概率成立。我们的方法适用于广泛的一类算法,包括隐私文献中许多著名的例子。我们通过涵盖相关工作中未考虑过的算法和隐私增强方法的实验证明了我们方法的有效性。
引用
@article{arxiv.2212.04739,
title = {Lower Bounds for R\'enyi Differential Privacy in a Black-Box Setting},
author = {Tim Kutta and Önder Askin and Martin Dunsche},
journal= {arXiv preprint arXiv:2212.04739},
year = {2022}
}