洗牌模型的隐私保护毯
机器学习
2019-06-04 v2 密码学与安全
机器学习
摘要
本文研究最近提出的洗牌模型中的差分隐私。与本地模型不同（在本地模型中，收集用户私有化数据的服务器可以追溯到特定用户的输入），在洗牌模型中，用户匿名提交其私有化输入给服务器。这种设置产生了一种信任模型，介于经典的监管者和本地差分隐私模型之间。洗牌模型是Bittau等人（SOPS 2017）引入的Encode, Shuffle, Analyze (ESA)模型的核心思想。Cheu等人（EUROCRYPT 2019）最近的工作分析了洗牌模型的差分隐私性质，并表明在某些情况下，洗牌协议比本地协议提供了严格更好的准确性。此外，Erlingsson等人（SODA 2019）提供了一个隐私放大界，根据每个用户使用的随机化器的本地差分隐私来量化洗牌模型实现的监管者差分隐私水平。在此背景下，我们做出了三项贡献。首先，我们为洗牌模型中实数求和提供了一个最优的单消息协议。我们的协议非常简单，并且比Cheu等人针对同一问题提出的协议具有更好的准确性和通信效率。该协议的最优性来自我们的第二项贡献，即洗牌模型中实数求和的私有协议准确性的一个新下界。第三项贡献是一个新的放大界，用于根据相应本地随机化器提供的隐私来分析洗牌模型中协议的隐私性。我们的放大界将Erlingsson等人的结果推广到更广泛的参数范围，并提供了一整套分析洗牌模型中隐私放大的方法。
引用
@article{arxiv.1903.02837,
title = {The Privacy Blanket of the Shuffle Model},
author = {Borja Balle and James Bell and Adria Gascon and Kobbi Nissim},
journal= {arXiv preprint arXiv:1903.02837},
year = {2019}
}