局部差分隐私核分解与最密子图的更紧界
数据结构与算法
2024-02-29 v1 密码学与安全
摘要
计算图的核分解是一个基本问题，最近在差分隐私设置下得到了研究，其动机来自数据挖掘中的实际应用。特别是，Dhulipala等人[FOCS 2022]在具有挑战性且实际相关的局部差分隐私设置中，首次提出了近似核分解的机制。他们工作留下的主要开放问题之一是，其机制的精度（即近似比和加性误差）能否得到改进。我们分别展示了在集中式和局部差分隐私模型下，近似和精确核分解机制的加性误差的第一个下界。我们还给出了局部模型下精确和近似核分解的机制，并具有几乎匹配的加性误差界。我们的机制基于持续计数的黑盒应用。它们还为局部模型下的近似最密子图问题提供了改进的机制。
引用
@article{arxiv.2402.18020,
title = {Tighter Bounds for Local Differentially Private Core Decomposition and Densest Subgraph},
author = {Monika Henzinger and A. R. Sricharan and Leqi Zhu},
journal= {arXiv preprint arXiv:2402.18020},
year = {2024}
}