面向MST与AIM的紧致差分隐私审计
密码学与安全
2026-04-21 v1 人工智能
机器学习
摘要
领先的差分隐私（DP）合成数据生成器（如MST和AIM）广泛应用，但对其隐私保证的紧致审计仍富有挑战性。我们引入一种基于高斯差分隐私（GDP）的审计框架，通过衡量完整的误报/误报权衡来衡量隐私。应用于MST和AIM的最坏情况设置下，我们的方法提供了在强隐私 regime 下的第一次紧致审计。对于 ，我们获得 与隐含的 ，显示出较小的理论-实践差距。我们的代码已公开：https://github.com/sassoftware/dpmm。
引用
@article{arxiv.2604.18352,
title = {Tight Auditing of Differential Privacy in MST and AIM},
author = {Georgi Ganev and Meenatchi Sundaram Muthu Selva Annamalai and Bogdan Kulynych},
journal= {arXiv preprint arXiv:2604.18352},
year = {2026}
}
备注
Accepted to the Theory and Practice of Differential Privacy Workshop (TPDP 2026)