含噪数字暴露通知中的隐私-准确性权衡

自新冠疫情全球蔓延并令各国政府的人工接触者追踪努力不堪重负以来，利用手机力量通过开发暴露通知应用来自动化接触者追踪过程引起了极大关注。其粗略思路很简单：使用蓝牙或其他数据交换技术记录用户间接触，使用户能报告阳性诊断，并提醒曾暴露于患病用户的用户。当然，这一想法伴随诸多隐私担忧。该领域大量工作致力于设计追踪接触并提醒用户的机制，使其不泄露除暴露事件存在之外的额外用户信息。然而，尽管设计实用协议至关重要，必须认识到通知用户暴露事件本身可能泄露机密信息（例如某特定接触者已被诊断）。幸运的是，虽然数字接触者追踪是相对新颖的任务，但隐私与数据披露的通用问题已被研究数十年。事实上，差分隐私框架通过添加随机噪声进一步提供了可证明的查询隐私。在本文中，我们将统计隐私与社会推荐算法中的两个结果迁移至暴露通知。从而我们证明了若要通过注入噪声使暴露通知框架更具隐私性，准确性必须牺牲程度的若干朴素界。