基于混洗的更强隐私放大：面向 Rényi 与近似差分隐私
密码学与安全
2023-11-01 v2 数据结构与算法
机器学习
机器学习
摘要
差分隐私的混洗模型作为标准本地与中心模型之间的中间信任模型已获得显著关注 [EFMRTT19; CSUZZ19]。该模型中的一个关键结论是，随机混洗本地随机化数据可放大差分隐私保证。此类放大意味着对数据匿名贡献的系统带来显著更强的隐私保证 [BEMMRLRKTS17]。本工作中，我们从理论与数值上改进了混洗隐私放大的最优结果。我们的首个贡献是对 LDP 随机化器混洗输出的 Rényi 差分隐私参数的首个渐近最优分析。我们的第二个贡献是对混洗隐私放大的新分析。该分析改进了 [FMT20] 的技术，并在所有参数设定下得到更紧的数值界。
引用
@article{arxiv.2208.04591,
title = {Stronger Privacy Amplification by Shuffling for R\'enyi and Approximate Differential Privacy},
author = {Vitaly Feldman and Audra McMillan and Kunal Talwar},
journal= {arXiv preprint arXiv:2208.04591},
year = {2023}
}
备注
Errata added. 14 pages, 4 figures