非随机私有函数评估

我们考虑私有函数评估，以基于多个不可信实体的私有数据提供查询响应，使得各方均无法了解到关于他人数据实质上新的内容。首先，我们在两方场景中引入完美非随机隐私。完美隐私等价于在给定实体的不确定变量条件下，查询响应与其他个体的私有不确定变量条件无关。我们证明，对于作为公共不确定变量（公共随机变量的推广）的函数的查询，可以实现完美隐私。我们计算了不具备此形式的查询的最接近近似。为提供隐私与效用之间的权衡，我们放宽了完美隐私的概念。我们定义几乎完美隐私，并证明这一定义等价于在完美隐私定义中以条件脱联取代条件无关。随后，我们将这些定义推广到多方函数评估（多于两个数据实体）。我们证明，查询响应的均匀量化（其中量化分辨率是隐私预算与查询灵敏度的函数，参见差分隐私）可实现函数评估隐私。