基于安全中介的纯差分隐私

差分隐私的近期工作探索了将局部随机化与安全中介相结合的前景。具体而言，在安全洗牌模型（中介随机置换消息）以及安全聚合模型（中介相加消息）中存在多种协议。这些协议大多局限于近似差分隐私。一个例外是 Ghazi、Golowich、Kumar、Manurangsi、Pagh 和 Velingker（arXiv:2002.01919）的洗牌协议：它在纯差分隐私下计算有界和。其加性误差为 $\tilde{O}(1/\varepsilon^{3/2})$，其中 $\varepsilon$ 为隐私参数。在本工作中，我们给出一种新协议，在纯差分隐私下确保 $O(1/\varepsilon)$ 误差。我们还展示了如何用它来检验 $[d]$ 上分布的均匀性。该检验器的样本复杂度对 $d$ 具有最优依赖。我们的工作依赖于一类新颖的安全中介，其本身具有独立意义。