Shuffle 模型中的 Renyi 差分隐私：增强的放大界

差分隐私（DP）的 Shuffle 模型因其在隐私和效用之间卓越的权衡而在隐私保护数据分析中受到广泛关注。其特征是在每个用户的本地差分隐私扰动之后添加一个洗牌过程，从而产生隐私放大效应，这意味着少量噪声（例如 $\epsilon_0$）的隐私保证在所有 $n$ 个用户的扰动数据经过洗牌后可以增强至 $O(\epsilon_0/\sqrt{n})$（数值越小，隐私性越强）。Shuffle DP 的大多数研究都致力于证明更严格的隐私放大隐私保证。然而，当前结果假设本地隐私预算 $\epsilon_0$ 处于有限范围内。此外，最紧的下界与已知的上界之间仍存在差距。在本工作中，我们通过以下贡献推动了最新技术水平。首先，我们在不对 $\epsilon_0$ 施加约束的情况下，提出了 Shuffle 模型中 Renyi 差分隐私（RDP）的首个渐近最优分析。其次，我们引入了通过洗牌进行隐私放大的假设检验，提供了一种独特的分析技术和更紧的上界。此外，我们提出了一种基于 RDP 的 DP-SGD 算法。实验表明，在相同的隐私水平下，我们的方法显著优于现有方法。