高效、端到端且紧凑的DP审计指南
密码学与安全
2025-12-15 v3 机器学习
摘要
本文系统化了关于差分隐私(DP)技术审计的研究，旨在识别关键见解和开放挑战。首先，我们引入了综合性框架来审查该领域的工作，确立了三个跨情境期望(即效率、端到端性和紧凑性)。随后，我们系统化了最先进DP审计技术的操作模式，包括威胁模型、攻击和评估函数。这使我们能够突出先前工作所忽视的关键细节、分析实现这三个期望的限制因素，并识别开放的研究问题。总体而言，我们的工作提供了一种可复用且系统化的方法，用于评估该领域的进展，识别摩擦点以及确定社区未来应关注的方向。
引用
@article{arxiv.2506.16666,
title = {The Hitchhiker's Guide to Efficient, End-to-End, and Tight DP Auditing},
author = {Meenatchi Sundaram Muthu Selva Annamalai and Borja Balle and Jamie Hayes and Georgios Kaissis and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:2506.16666},
year = {2025}
}
备注
Published in the Proceedings of the 4th IEEE Secure and Trustworthy Machine Learning Conference (IEEE SaTML 2026). Please cite the SaTML version