洗牌模型下的均匀性测试：更简洁、更优、更快
数据结构与算法
2021-10-19 v2 密码学与安全
离散数学
机器学习
摘要
均匀性测试，即测试独立观测是否均匀分布的，是分布测试中的典型问题。过去几年中，一系列工作聚焦于隐私约束下的均匀性测试，并在各种隐私模型（如中心差分隐私（DP）、本地隐私（LDP）、泛隐私以及最近的差分隐私洗牌模型）下获得了私有且数据高效的算法。在本工作中，我们大幅简化了洗牌模型中已知均匀性测试算法的分析，并利用近期关于“通过洗牌实现隐私放大”的结果，提供了一种以基本且精简的论证获得相同保证的替代算法。
引用
@article{arxiv.2108.08987,
title = {Uniformity Testing in the Shuffle Model: Simpler, Better, Faster},
author = {Clément L. Canonne and Hongyi Lyu},
journal= {arXiv preprint arXiv:2108.08987},
year = {2021}
}
备注
Accepted to the SIAM Symposium on Simplicity in Algorithms (SOSA 2022). Added some details and discussions