具有异构约束的私有分布测试：你的 Epsilon 可能不同于我的
数据结构与算法
2023-09-14 v2
摘要
私有接近度测试要求判断两个敏感数据集的潜在概率分布是否相同或在统计距离上显著不同，同时保证数据的（差分）隐私。然而，正如大多数（如果不是全部）在隐私约束下研究的分布测试问题一样，先前工作假设两个数据集具有同等的敏感性，即必须提供相同的隐私保证。这往往是一个不现实的假设，因为不同数据来源具有不同的隐私要求；因此，已知的接近度测试算法可能过于保守，为一半数据“支付”了过高的隐私预算。在这项工作中，我们开创了在异构隐私约束下的接近度测试问题研究，其中两个数据集具有不同的隐私要求。我们形式化了该问题，并在三种最广泛使用的差分隐私设置下提供算法，特别关注本地和洗牌隐私模型；并表明在考虑两个不同的“epsilon”要求时，确实可以实现更好的样本效率。
引用
@article{arxiv.2309.06068,
title = {Private Distribution Testing with Heterogeneous Constraints: Your Epsilon Might Not Be Mine},
author = {Clément L. Canonne and Yucheng Sun},
journal= {arXiv preprint arXiv:2309.06068},
year = {2023}
}