关于洗牌模型的伦伊差分隐私
密码学与安全
2021-05-12 v1 机器学习
摘要
本文研究的核心问题是洗牌隐私模型中通用离散本地机制的差分隐私伦伊（RDP）保证。在洗牌模型中， n 个客户端各自使用本地差分隐私（LDP）机制随机化其响应，而未受信任的服务器仅接收客户端响应的随机排列（洗牌），且不关联至各客户端。本文的主要成果是首次给出洗牌隐私模型中通用离散本地随机化机制的非平凡RDP保证，并我们发展了用于推导结果的新分析技术，其本身可能具有独立意义。在应用中，此类RDP保证在我们将其用于组合若干私有交互时最为有用。我们通过数值证明，在重要区间内，经组合后我们的界相较最先进的近似差分隐私（DP）保证（采用标准组合）在洗牌模型下带来 的隐私保证提升。此外，结合泊松子采样，我们的结果相较采用标准组合的子采样近似DP至少有 的提升。
引用
@article{arxiv.2105.05180,
title = {On the Renyi Differential Privacy of the Shuffle Model},
author = {Antonious M. Girgis and Deepesh Data and Suhas Diggavi and Ananda Theertha Suresh and Peter Kairouz},
journal= {arXiv preprint arXiv:2105.05180},
year = {2021}
}