基于匿名消息的私有计数：以消失的通信开销实现近最优精度
密码学与安全
2021-06-09 v1 数据结构与算法
摘要
差分隐私（DP）是一种量化算法隐私损失的正式概念。中心模型中的 DP 算法达到高精度但做出最强的信任假设，而本地 DP 模型中的算法做出最弱的信任假设却导致显著的精度损失。洗牌 DP 模型（Bittau 等，2017；Erlingsson 等，2019；Cheu 等，2019）最近作为中心与本地模型之间可行的折中方案出现，提供比前者更强的信任假设，同时承诺比后者更高的精度。在本文中，我们在洗牌 DP 模型中获得了用于机器学习的两种基本聚合原语的实用通信高效算法：1）二进制求和，以及 2）中等桶数上的直方图。我们的算法实现的精度可任意接近中心 DP 算法，且每用户的期望通信量基本匹配无任何隐私约束时所需的数量！我们通过实验将我们的算法性能与几种广泛使用的协议（如 Randomized Response（Warner，1965）和 RAPPOR（Erlingsson 等，2014））进行比较，证明了其实用性。
引用
@article{arxiv.2106.04247,
title = {Private Counting from Anonymous Messages: Near-Optimal Accuracy with Vanishing Communication Overhead},
author = {Badih Ghazi and Ravi Kumar and Pasin Manurangsi and Rasmus Pagh},
journal= {arXiv preprint arXiv:2106.04247},
year = {2021}
}
备注
Originally appeared in ICML'20. This version contains a correction of calculation errors in Theorem 13 of the ICML'20 version