顺序不变基数估计量满足差分隐私

我们在基数估计的流式算法背景下考虑隐私问题。我们证明，一大类算法均满足 $\epsilon$-差分隐私，只要 (a) 该算法结合了一种简单的下采样过程，且 (b) 输入流的基数为 $\Omega(k/\epsilon)$。此处，$k$ 是草图的某个参数，其始终不超过草图的比特大小，但通常远小于后者。我们还证明，即使不作修改，我们这类中的算法也满足 $(\epsilon, \delta)$-差分隐私，其中 $\delta$ 随流基数呈指数下降。我们的分析适用于几乎所有流行的基数估计算法，并实质性地推广和收紧了早期工作中的隐私界。