悬垂号：基于指数噪声的准确性提升稀疏向量技术
密码学与安全
2026-05-06 v1 人工智能
摘要
稀疏向量技术 (SVT) 是差分隐私 (DP) 中最基本的工具之一。它作为自适应数据分析的 backbone，通过对给定数据集上的一系列查询进行回答，以隐私保护的方式获取有用信息。与直接公布带噪查询结果的典型私密查询释放相比，SVT 信息较少——它保留带噪查询结果仅揭示每个查询是否超过预定义阈值的二进制位。为为 SVT 提供严格的 DP 保证，文献中以保守的隐私分析为基础，假设直接披露带噪查询结果，如同典型的私密查询释放。这一方法导致 SVT 难以实现更高的查询准确性，因为高估了隐私风险，从而导致使用拉普拉斯或高斯噪声进行过度噪声注入。为此，我们提供了一种新的 SVT 隐私分析，考虑其较少的信息性。我们的分析结果不仅扩大了 SVT 可应用的噪声类型范围，还识别了指数噪声在所评估的所有噪声中为最优（尽管通常被视为不可用于 SVT）。将指数噪声应用于 SVT 的主要挑战在于消除噪声分布引入的偏差。为此，我们开发了一种以效用为导向的最优阈值校正方法和追加策略，分别提高了 SVT 的精确度和召回率。理论和实证结果表明，我们提出的方法在所评估的指标上显著提升了最高可达 。
引用
@article{arxiv.2407.20068,
title = {Unleash the Power of Ellipsis: Accuracy-enhanced Sparse Vector Technique with Exponential Noise},
author = {Yuhan Liu and Sheng Wang and Yixuan Liu and Feifei Li and Hong Chen},
journal= {arXiv preprint arXiv:2407.20068},
year = {2026}
}