一次性差分隐私 Top-k 选择

能够高效且准确地在差分隐私下选择前 $k$ 个元素，是各类隐私数据分析任务的核心组成部分。本文提出一次性 Laplace 机制，其将著名的 Report Noisy Max 机制推广至报告含噪的 top-$k$ 元素。我们表明噪声水平为 $\widetilde{O}(\sqrt{k}/\eps)$ 的一次性 Laplace 机制满足近似差分隐私。与先前运行 Report Noisy Max $k$ 次的剥离式方法相比，一次性 Laplace 机制仅添加一次噪声并计算一次前 $k$ 个元素，因而对大 $k$ 更为高效。此外，我们的隐私证明依赖于一种新颖的耦合技术，避开了组合定理的使用。最后，我们给出高效 top-$k$ 选择在成对比较排序这一经典问题中的新颖应用。