泛私有一致性测试
数据结构与算法
2020-07-20 v3 密码学与安全
机器学习
摘要
中心差分隐私算法将原始数据映射为差分隐私输出。相比之下，局部差分隐私算法只能通过其与数据持有者的公开交互来访问数据，且该交互必须是数据的差分隐私函数。我们研究泛隐私（pan-privacy）这一中间模型。与局部隐私算法不同，泛私有算法以明文接收数据。与中心隐私算法不同，该算法逐元素接收数据，并在处理此数据流时必须维持差分隐私的内部状态。首先，我们证明针对内部状态多次入侵的纯泛隐私等价于顺序交互式局部隐私。接下来，我们通过分析域[k]上一致性测试的采样复杂度来语境化针对单次入侵的泛隐私。聚焦于对k的依赖，中心私有一致性测试具有采样复杂度Θ(√k)，而非交互式局部私有一致性测试具有采样复杂度Θ(k)。我们证明纯泛私有一致性测试的采样复杂度为Θ(k^{2/3})。通过对顺序交互式场景的新Ω(k)下界，我们还区分了泛私有与顺序交互式局部私有以及多入侵泛私有一致性测试。
引用
@article{arxiv.1911.01452,
title = {Pan-Private Uniformity Testing},
author = {Kareem Amin and Matthew Joseph and Jieming Mao},
journal= {arXiv preprint arXiv:1911.01452},
year = {2020}
}