SLDP：面向密度自适应分析的半局部差分隐私
机器学习
2026-02-24 v1
摘要
密度自适应域离散化是高效隐私保护分析的关键技术，但在局部差分隐私（LDP）框架下因迭代细化的隐私预算成本问题仍具挑战性。我们提出一种新型框架——半局部差分隐私（Semi-Local Differential Privacy, SLDP），该框架根据用户的局部密度分配隐私区域，并以点在其隐私区域内可能的移动方式定义相邻关系。我们提供了一个在诚实但好奇的服务器主导下通过公共信道进行的交互式 -SLDP 协议，以私密方式估计这些区域。关键在于，我们的框架将隐私成本与迭代细化次数解耦，使得可以在不额外消耗隐私预算的情况下实现高分辨率网格。我们在合成数据和真实数据集上进行了实验，验证了该框架的有效性。
引用
@article{arxiv.2602.18910,
title = {SLDP: Semi-Local Differential Privacy for Density-Adaptive Analytics},
author = {Alexey Kroshnin and Alexandra Suvorikova},
journal= {arXiv preprint arXiv:2602.18910},
year = {2026}
}