PAnDA：基于锚点近似的大规模度量差分隐私优化重思考
密码学与安全
2025-09-11 v1
摘要
度量差分隐私 (mDP) 将局部差分隐私 (LDP) 框架扩展到度量空间，为诸如地理位置等更细致的隐私保护提供了可能。然而，现有的 mDP 优化方法，特别是基于线性规划 (LP) 的方法，由于决策变量呈二次增长，面临可扩展性挑战。本文提出了 Perturbation via Anchor-based Distributed Approximation (PAnDA)，一个用于优化度量差分隐私 (mDP) 的可扩展双相框架。为降低计算开销，PAnDA 允许每个用户选择一小组锚点记录，使服务器能够在缩小的域上求解紧凑的线性规划。我们引入三种锚点选择策略：指数衰减 (PAnDA-e)、幂律衰减 (PAnDA-p) 和 logistic 衰减 (PAnDA-l)，并在一种松弛的隐私概念——概率 mDP (PmDP) 下建立了理论保证。在真实世界的地理位置数据集上进行的实验表明，PAnDA 能够扩展至最高达 5000 条记录的 secret domain，这是现有基于 LP 的方法可处理规模的两倍，同时为隐私和实用性提供了理论保证。
引用
@article{arxiv.2509.08720,
title = {PAnDA: Rethinking Metric Differential Privacy Optimization at Scale with Anchor-Based Approximation},
author = {Ruiyao Liu and Chenxi Qiu},
journal= {arXiv preprint arXiv:2509.08720},
year = {2025}
}
备注
In Proceedings of the 32nd ACM Conference on Computer and Communications Security (CCS 2025)