Robust Privatization with Multiple Tasks and the Optimal Privacy-Utility Tradeoff
本文研究多任务效用约束下隐私保护数据发布的最优隐私-效用权衡，将非凸优化问题分解为多个并行隐私漏斗问题，显式求解最优机制并给出无泄露阈值和线性规划求解最优权重的方法。
2024-09-01 cs.IT math.IT
The Right to Be Forgotten under Correlation: Privacy-Utility Tradeoffs
Technical University of Munich（慕尼黑工业大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Rutgers University（罗格斯大学）
该研究针对关联数据集的隐私保护算法，分析局部机制与二元马尔可夫关联下隐私-效用的最优权衡，将机制设计分解为序列局部问题，最优机制为有限时域确定性马尔可夫决策过程的解。
2026-10-14 cs.CR cs.IT math.IT
Channel Leakage, Information-Theoretic Limitations of Obfuscation, and Optimal Privacy Mask Design for Streaming Data
New York University（纽约大学）
在本文中，我们首先引入了信道泄漏的概念，作为信道输入和信道输出之间的最小互信息。正如其名称所示，信道泄漏量化了对恶意接收器的最小信息泄漏。从广义上讲，它可以被看作是信道容量的双重概念，它表征了到目标接收机的最大信息传输。我们得到明确的公式的信道泄漏的情况下，白色高斯，有色高斯的情况下，和衰落的情况下。然后，我们利用这一概念调查的基本限制混淆的隐私失真权衡（以及隐私权权衡）的流数据，特别是，我们推导出分析权衡方程的固定的情况下，非固定的情况下，和有限时间的情况下。我们的研究结果还明确指出，如何设计的隐私面具在一个最佳的方式。
2020-09-29 cs.CR cs.IT cs.LG
Statistic Maximal Leakage
本文提出统计最大泄漏这一隐私度量（最大泄漏的扩展，保护单个已知秘密），证明其满足组合性和后处理性质，给出确定性机制下的高效计算方法，分析量化机制和随机响应，发现前者隐私-效用权衡更优。
2024-11-27 cs.IT math.IT
Evaluating Multiple Guesses by an Adversary via a Tunable Loss Function
我们考虑一个问题的猜测，其中对手是有兴趣知道的值的实现离散随机变量$X$观察另一个相关的随机变量$Y$。对手可以进行多次（比如说，$k$）猜测。假设对手的猜测策略最小化$α$ -损失，一类可调损失函数参数化的$α$。之前已经示出，该损失函数捕获公知的损失函数，包括指数损失（$α=1/2$）、对数损失（$α=1$）和$0$损失（$α=\infty$）。我们完全描述了最优对抗策略和由此产生的预期$α$损失，从而恢复了$α=\infty$的已知结果。我们定义了一个信息泄漏措施，从$k$猜测设置，并推导出一个条件下，泄漏是不变的，从一个单一的猜测。
2021-08-19 cs.IT math.IT
Privacy-Utility Tradeoff in a Guessing Framework Inspired by Index Coding
本文研究了隐私和实用性的权衡在一个单一的试验多终端猜测（估计）框架使用的系统模型，启发索引编码。在数据管理者处存在$n$独立的离散源。有$m$合法用户和一个对手，每个对手都有一些关于源的辅助信息。数据管理者向合法用户广播源的扭曲函数，这也被对手偷听到。在效用方面，每个合法用户希望完美地重建一些未知源，并在剩余未知源的估计正确性方面获得一定的增益。在隐私方面，数据管理者希望最大限度地减少最大泄漏：在接收到广播数据后，对手在估计其未知源的任何目标函数时的最坏情况猜测增益。给定的系统设置，我们得到基本的性能下限的最大泄漏的对手，这是由混淆图的概念和性能界限的索引编码问题的启发。我们还详细介绍了一个贪婪的隐私增强机制，它的灵感来自凝聚聚类算法的信息瓶颈和隐私漏斗问题。
2020-06-18 cs.IT math.IT
Trade Reliability for Security: Leakage-Failure Probability Minimization for Machine-Type Communications in URLLC
如何提供信息安全同时满足超可靠性和低延迟要求是实现下一代超可靠和低延迟通信服务（xURLLC）的主要关注点之一，特别是在机器类型通信中。在这项工作中，我们通过定义泄漏故障概率，这是一个度量，共同表征短数据包传输的可靠性和安全性能的可靠性和安全性的权衡。我们发现，系统的性能可以通过反直观地分配更少的资源与有限块长度（FBL）码的传输来提高。为了解决相应的优化问题的联合资源分配，我们提出了一个优化框架，利用下界近似的解码错误概率在FBL制度。我们刻画了重构问题的凸性，并建立了一个有效的迭代搜索方法，其收敛性是有保证的。为了展示该框架的可扩展性，我们进一步讨论了具有可靠安全性能的实际要求的块长度分配方案，以及具有统计信道状态信息（CSI）的传输。数值结果验证了所提出的方法的准确性，并展示了各种设置下的可靠性和安全性的权衡。
2023-03-08 cs.IT math.IT
Rényi Rate-Distortion-Perception-Privacy Tradeoff under Indirect Observation
本文提出R-RDPP框架，研究在间接源编码中率、失真、感知和隐私的权衡，揭示传统隐私度量对合法语义恢复的惩罚，并引入条件隐私度量和改进的可实现界限。
2026-07-27 cs.IT math.IT
Extremal Mechanisms for Pointwise Maximal Leakage
本文研究逐点最大泄漏（PML）隐私度量与凸效用函数下的隐私-效用权衡，推导了最优权衡的闭式解，并提出计算PML最优机制的线性规划。
2024-08-27 cs.IT eess.SP math.IT
Notes on Information-Theoretic Privacy
我们研究隐私和效用之间的权衡的情况下，隐私和效用的互信息来衡量。对于二进制的情况下，我们充分刻画了这种权衡的情况下，完美的隐私，也给了一个上限的情况下，一些隐私泄漏是允许的。然后，我们引入了一个新的量，它量化了可观察数据中包含的私人信息的量，然后将其连接到隐私和效用之间的最佳权衡。
2015-10-08 cs.IT math.IT
A Variational Formula for Infinity-Rényi Divergence with Applications to Information Leakage
给出了无穷阶Rényi发散的一个变分刻画.我们的特征是猜测：目标功能是一个比率的最大期望值的增益函数适用于正确猜测一个未知的随机变量的概率。我们的变分表征的一个重要方面是，它仍然不可知的特定的增益函数考虑，只要它满足一些正则性条件。此外，我们定义了两个变量的可调措施的信息泄漏，最大的$α$泄漏，并获得这些信息的措施，利用我们的变分表征的封闭形式的表达式。
2022-05-02 cs.IT math.IT
Privacy-Constrained Remote Source Coding
我们认为，通过一个紧凑的表示，以有效和安全的方式揭示/共享数据的问题。该表示应确保所需特征/属性的可靠重建，同时仍保留数据的秘密部分的隐私。该问题被制定为一个远程有损信源编码与隐私约束的远程源包括公共和秘密部分。给出了压缩率、失真和隐私泄漏率的最佳折衷区域的内界和外界，并在某些特殊情况下证明了它们是一致的。当将失真度量专门化为对数损失函数时，对于相同边信息的情况，所得到的速率-失真-泄漏折衷形成了对应于所谓的信息瓶颈的“安全”版本的优化问题。
2016-05-06 cs.IT math.IT
Rate-Privacy-Storage Tradeoff in Federated Learning with Top $r$ Sparsification
我们研究了在联邦学习（FL）中使用顶级$r$稀疏化的速率，隐私和存储之间的权衡，其中FL系统中的用户和服务器仅分别共享FL过程中更新和参数的最重要的$r$和$r'$部分，以降低通信成本。我们提出的计划，保证信息理论的隐私值和索引的稀疏更新发送的用户在一个较大的存储成本为代价。为此，我们推广的计划，以减少存储成本，允许一定量的信息泄漏。因此，我们提供的通信成本，存储成本和信息泄漏之间的一般权衡私人FL与顶部$r$稀疏化，沿着两个建议的计划。
2022-12-19 cs.CR cs.IT cs.NI
Robustness of Maximal $α$-Leakage to Side Information
最大$α$ -泄漏是基于基于公共数据猜测私有数据的任意函数的准确性的信息泄漏的可调度量。参数$α$确定用于测量置信度准确性的损失函数，范围从$α=1$处的对数损失到$α=\infty$处的错误概率。为了研究边信息对该测度的影响，我们引入并定义了条件最大$α$ -泄漏。我们表明，对于一个选定的映射（通道）从实际（视为私人）的数据发布（公共）的数据和一些边信息，条件最大$α$泄漏是上确界（在所有边信息）的条件Arimoto信道容量的条件是在边信息。我们证明了，如果边信息是有条件地独立于公共数据给定的私人数据，边信息不会增加信息泄漏。
2019-04-05 cs.IT math.IT
Measuring Information Leakage in Non-stochastic Brute-Force Guessing
本文提出了一种非随机信息泄漏的操作措施，以形式化的隐私对暴力猜测对手。这些信息是由不确定变量的非概率不确定性来度量的，这些不确定变量是随机变量的非随机对应物。对于与已发布数据$Y$相关的$X$，非随机蛮力泄漏通过由对手穷尽地检查$X$的私有属性$U$的所有可能性的复杂度来测量。复杂度是指成功猜测$U$的试验次数。在所有可能的私有属性$U$上最大化该泄漏产生最大（即，最坏情况）非随机蛮力猜测泄漏。这被证明是完全由给定$Y$的$X$的最小非随机不确定性确定的，这也确定了最坏情况的属性$U$，如果$Y$被公开，则该属性指示最高的隐私风险。最大的非随机蛮力猜测泄漏被证明是成比例的非随机可识别性的$X$给定$Y$和上界现有的最大极小信息。后者量化了当对手必须通过$Y$一次性完全猜测$U$时的信息泄漏。实验被用来证明最大非随机蛮力猜测泄漏和数据效用（测量的最大量化误差）之间的权衡，并说明最大最小信息和随机一次性最大泄漏之间的关系。
2021-07-02 cs.IT math.IT
The Capacity of Single-Server Weakly-Private Information Retrieval
私有信息检索（PIR）协议保证用户可以私有地检索存储在数据库中的文件，而不会泄露关于所请求文件的身份的任何信息。现有的信息理论PIR协议确保完美的隐私，即，零信息泄漏到存储数据库的服务器，但代价是高下载。在这项工作中，我们提出了弱私人信息检索（WPIR）计划，权衡完美的隐私，以提高下载成本时，数据库存储在一个单一的服务器上。我们研究了下载成本和信息泄漏的互信息（MI）和最大泄漏（MaxL）隐私度量之间的权衡。通过将WPIR问题与率失真理论相关联，引入了下载泄漏函数，该函数被定义为对于给定的信息泄漏水平和固定的文件大小，所有单服务器WPIR方案所需的最小下载成本。通过表征MI和MaxL度量的下载泄漏函数，充分描述了单服务器WPIR的容量。
2021-01-30 cs.IT math.IT
Privacy-Utility Tradeoff for Hypothesis Testing Over A Noisy Channel
我们研究了在噪声信道中具有隐私约束的假设检验问题，并推导了在Neyman-Pearson准则下的最优检验性能。感兴趣的基本限制是隐私效用权衡（PUT）之间的指数的类型II错误概率和泄漏的信息源受到恒定的约束类型I错误概率。我们提供了一个精确的表征的渐近放置任何非零I型错误概率。我们的结果意味着容忍较大的I类错误概率不能提高PUT。这样的结果被称为强逆定理或强不可能定理。为了证明强逆定理，我们应用了最近在（Tyagi和Watanabe，2020）中提出的技术，并进一步证明了它的通用性。几个问题的强逆定理，如假设检验对噪声信道的独立性（Sreekumar和Gündüz，2020）和假设检验与通信和隐私约束（Gilani \emph{et al.}，2020），建立或恢复为我们的结果的特殊情况。
2021-05-27 cs.IT math.IT
Arbitrarily Strong Utility-Privacy Tradeoff in Multi-Agent Systems
网络中的每个代理都进行与一组公共和私有参数线性相关的局部观察。代理将其观察结果发送到融合中心，以允许其估计公共参数。为了防止私有参数的泄漏，每个代理首先使用本地隐私机制对其本地观察进行消毒，然后将其发送到融合中心。我们调查的公共和私人参数估计的Cramér-Rao下界方面的效用隐私权衡。我们研究了一类由线性压缩和噪声扰动给出的隐私机制，并推导出在多智能体系统中实现任意强效用-隐私权衡的充要条件，分别适用于先验信息可用和不可用的情况。我们还提供了一种方法来找到最大的估计隐私可实现的效用不妥协，并提出了一个交替的算法来优化的情况下，任意强的效用隐私权衡是无法实现的效用隐私权衡。
2020-08-11 cs.IT cs.SY eess.SY
Privacy-Utility Tradeoff Based on $α$-lift
针对以$\alpha$-lift为隐私度量、互信息为效用度量的隐私-效用权衡优化难题，结合$\alpha=\infty$最优解与$\alpha$-lift凸性提出启发式估计算法，数值实验验证了算法有效性并给出性能良好的参数范围。
2024-06-21 cs.IT math.IT
The Economics of Privacy and Utility: Investment Strategies
由于个人信息的不受限制的披露，不可避免的隐私泄露激发了对健壮的隐私保护机制的广泛研究。然而，现有的研究大多局限于在静态环境下解决问题，而忽略了随着时间的推移隐私泄漏。不幸的是，这种隐私处理在实际环境中是不够的，在实际环境中，用户随着时间的推移连续地公开他们的个人信息，导致用户的敏感信息的累积泄漏。在本文中，我们考虑在有限的时间范围内的隐私泄漏和调查的最佳策略，以最大限度地提高所披露的数据的效用，同时限制有限的地平线隐私泄漏。我们认为一个简单的隐私机制，涉及压缩用户的数据之前，每次披露，以满足未来的隐私所需的约束。我们进一步激励几种算法来优化动态隐私效用权衡，并通过广泛的综合性能测试来评估它们的性能。
2022-07-04 cs.CR cs.GT cs.IT
Secret key-based Identification and Authentication with a Privacy Constraint
我们考虑基于从一些用户生成秘密密钥源数据（例如，生物测定源）。目标是可靠地识别预先登记在数据库中的用户，以及基于估计的秘密密钥来认证他们，同时保护登记数据和生成的密钥的隐私。我们刻画了身份识别率、用户源数据压缩率、信息泄漏率和秘密密钥率之间的最优折衷。特别是，我们提供了一个编码策略的基础上分层随机装箱，这是最佳的。此外，我们研究了一个相关的安全识别/认证问题，对手试图欺骗系统使用自己的数据。这里提供了识别率、压缩率、泄漏率和最大错误接受概率的指数之间的最佳折衷。结果表明，最优秘密密钥速率与身份认证系统的错误接受指数之间存在着密切的联系。
2015-08-06 cs.CR cs.IT math.IT
Privacy-Utility Tradeoffs under Constrained Data Release Mechanisms
隐私保护数据发布机制旨在同时最小化敏感数据的信息泄漏和有用数据的失真。敏感数据和有用数据之间的重复性导致了隐私-效用权衡，这与广义率失真问题有很强的联系。在这项工作中，我们研究了最佳的隐私效用权衡区域是如何影响的数据，直接作为输入的释放机制的约束。特别是，我们只考虑敏感数据的可用性，只考虑有用数据的可用性，以及两者（完整数据）。我们表明，一般的层次结构举行：权衡区域只敏感的数据是不大于该区域只提供有用的数据，这反过来又是显然不大于该区域的敏感和有用的数据。此外，我们确定的条件下，只给出有用的数据与给定的全部数据相吻合的权衡区域。这些都是基于敏感数据和有用数据之间的共同信息。我们建立这些结果一般家庭的隐私和实用措施，满足某些自然属性所需的任何合理的措施的隐私或实用。我们还发现了一个新的，微妙的方面的数据处理不平等的一般非对称隐私措施，并讨论其操作的相关性和影响。最后，我们推导出精确的封闭解析形式表达式的隐私效用权衡对称依赖的敏感和有用的数据下互信息和汉明失真作为各自的隐私和效用的措施。
2017-10-25 cs.CR cs.IT math.IT
Information-Theoretic Privacy with General Distortion Constraints
School of Electrical, Computer, and Energy Engineering, Arizona State University（亚利桑那州立大学电气、计算机与能源工程学院）
本文研究了隐私与效用的权衡问题，通过最小化隐私泄露度来确定最优隐私机制，并分析了不同失真约束下的渐近最优泄露率。
2026-05-10 cs.IT math.IT
Sequential Random Sampling PIR with Multiple Colluding Servers in DNA-Based Data Storage
Technion—Israel Institute of Technology（以色列理工学院）
针对DNA数据存储中的隐私检索问题，研究了多合谋服务器下顺序随机采样PIR的下载成本与隐私泄露权衡，推导了下界并构造了达到最优的方案。
2026-10-08 cs.IT math.IT
A Theoretical Analysis of Authentication, Privacy and Reusability Across Secure Biometric Systems
我们提出了一个理论框架，分析在安全的生物特征认证系统的隐私和安全权衡。我们使用这个框架进行比较信息理论分析的两个生物识别系统是基于线性纠错码，即模糊承诺和安全草图。我们推导出这些系统的错误拒绝（$P_{FR}$）和错误接受（$P_{FA}$）的概率上限。我们使用互信息来量化泄漏的信息有关用户的生物特征的身份，在该情况下，一个或多个生物特征注册的用户被完全或部分地妥协。我们还量化的成功攻击的概率（$P_{SA}$）的基础上受损的信息。我们的分析表明，模糊承诺和安全草图系统具有相同的$P_{FR}, P_{FA}, P_{SA}$和信息泄漏，但安全草图系统具有较低的存储要求。我们分析了单因素（无钥匙）和双因素（基于密钥）的安全生物特征的变体，并考虑最一般的情况下，一个单一的用户可能会提供嘈杂的生物特征注册在几个访问控制设备，其中一些随后可能会受到攻击者。我们的分析强调了基于密钥的系统的可撤销性和可重用性，并揭示了减少受损系统的信息泄露和防止对数据未受损系统的成功攻击之间的微妙设计权衡。
2011-12-23 cs.CR cs.IT math.IT
Private Read-Update-Write with Controllable Information Leakage for Storage-Efficient Federated Learning with Top $r$ Sparsification
在联邦学习（FL）中，机器学习（ML）模型由大量用户使用他们在本地设备中的私有数据集体训练。通过FL中的顶级$r$稀疏化，用户仅上传更新的最重要的$r$部分，并且服务器仅向用户发送参数的最重要的$r'$部分，以便降低通信成本。然而，稀疏更新的值和索引泄漏了关于用户的私有数据的信息。在这项工作中，我们考虑FL设置，其中$N$非共谋数据库存储要训练的模型，用户从其中下载并私下更新稀疏参数，而不向数据库透露更新的值或其索引。我们提出了四种具有不同属性的方案来执行这项任务，同时实现最小的通信成本，并表明稀疏更新的值和位置的信息理论隐私可以得到保证。然而，这是以相当大的存储成本来实现的。为了缓解这一点，我们推广的计划，以这样一种方式，存储成本降低了一定量的信息泄漏的代价，使用模型分割机制。在一般情况下，我们提供的通信成本，存储成本和信息泄漏之间的权衡在私人FL与顶部$r$稀疏。
2023-03-07 cs.CR cs.IT cs.NI
On the Lift, Related Privacy Measures, and Applications to Privacy-Utility Tradeoffs
本文提出不对称局部信息隐私（ALIP）以处理提升不对称性，在看门狗和最优随机响应机制中提高效用，并引入提升逆度量以限制最小提升泄露，实现隐私-效用权衡。
2023-03-02 cs.IT math.IT
The Inevitability of Side-Channel Leakage in Encrypted Traffic
本文从信息论角度证明了加密流量中侧信道泄露的不可避免性，通过构建形式模型并提出侧信道存在定理，为攻击可行性、防御基准和效率-隐私权衡提供了理论基础。
2026-02-15 cs.CR cs.IT math.IT
Achieving Dalenius' Goal of Data Privacy with Practical Assumptions
本文提出基于信息论的隐私框架，通过有限知识约束实现Dalenius安全，改进效用-隐私权衡并增强抗相关攻击能力。
2025-12-29 cs.CR cs.IT math.IT
The Privacy-Utility Tradeoff in Rank-Preserving Dataset Obfuscation
本文研究数据集混淆中秩保持与用户匿名性的权衡，通过大偏差理论刻画单字母机制的性能极限，并将最优混淆信道建模为可高效求解的凸优化问题。
2023-05-11 cs.CR cs.DB cs.IT
Enabling Data Exchange in Interactive State Estimation under Privacy Constraints
大型网络中的数据收集代理，如电力系统，需要共享信息（测量），以估计系统状态在分布式方式。然而，隐私问题可能会限制或阻止这种交换，从而导致状态估计保真度和隐私之间的折衷（称为竞争隐私）。本文建立在最近的信息理论的结果（使用互信息来衡量隐私和均方误差来衡量保真度），量化的区域可实现的失真泄漏元组在两个代理网络。本文的目的是研究集中和分散的机制，可以使和维持代理之间的非平凡的数据交换。集中式机制确定数据共享策略，所述策略优化组合两个代理处的可靠性和泄漏的网络范围的目标函数。使用共同目标游戏和最佳反应分析，最佳策略允许分布式实施。相比之下，在去中心化的环境中，重复的折扣游戏被证明可以自然地实现数据交换，而无需任何中央控制或经济激励。重复的效果是由一个时间平均的回报函数在每个代理，结合其保真度和泄漏在每个交互阶段。对于这两种方法，它表明，非平凡的数据交换可以持续特定的保真度范围内，即使隐私是一个限制因素。
2014-11-10 cs.GT cs.IT math.IT
Utility and Privacy of Data Sources: Can Shannon Help Conceal and Reveal Information?
私有信息从无数大型集中式可搜索数据存储库中“泄漏”（无意中或通过恶意设计）的问题推动了对分析框架的需求，该分析框架明确量化私有数据的安全程度（隐私），同时仍为多个合法信息消费者提供有用的利益（实用程序）。率失真理论被证明是开发这样的框架的自然选择，该框架包括以下内容：数据源的建模，开发独立于应用的效用和隐私度量，量化效用-隐私权衡而不管数据源的类型或提供隐私的方法，开发用于处理外部知识问题的边信息模型，研究了多查询数据源的连续泄露问题。
2010-02-06 cs.IT math.IT
Collaborative Mean Estimation over Intermittently Connected Networks with Peer-To-Peer Privacy
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）；Bar-Ilan University（巴伊兰大学）
这项工作考虑的问题，分布式均值估计（DME）在网络与间歇性连接，其目标是学习一个全球性的统计数据样本本地化的分布节点的帮助下，一个中央服务器。为了减轻间歇性链接的影响，节点可以与邻居合作计算本地共识，并将其转发到中央服务器。在这样的设置中，任何节点对之间的通信必须满足本地差分隐私约束。我们研究了节点之间额外的数据共享导致的协作中继和隐私泄露之间的权衡，随后提出了一种新的差分隐私协作算法来实现最佳权衡。最后，我们提出了数值模拟，以证实我们的理论研究结果。
2023-02-28 cs.CR cs.DC cs.IT
Multi-Server Weakly-Private Information Retrieval
私有信息检索（PIR）协议确保用户可以从数据库下载文件，而不会向存储数据库的服务器泄露关于所请求文件的身份的任何信息。虽然现有的协议严格规定，没有信息泄露的文件的身份，这项工作开始研究的权衡，可以通过放松完美的隐私要求。我们将这样的协议称为弱私有信息检索（WPIR）协议。特别是，对于多个noncoluding复制服务器的情况下，我们研究了如何下载速率，上传成本，和访问的复杂性，可以改善时，放松充分的隐私约束。为了量化关于所请求文件的身份的信息泄漏，我们考虑互信息（MI）、最坏情况信息泄漏和最大泄漏（MaxL）。我们提出了两个WPIR计划，表示为方案A和方案B，基于最近的两个PIR协议，并表明前者的下载速率可以通过求解凸优化问题进行优化。我们还表明，方案A实现了改进的下载速率相比，最近提出的方案由Samy等人。根据所谓的$ε$隐私度量。此外，一个家庭的计划的基础上划分。此外，我们提供了一个信息理论上的逆界的最大可能的下载速率的MI和MaxL隐私指标的查询和答案的字母表大小的实际限制下。对于两个服务器和两个文件，在MaxL度量下，边界是紧的，这在此特定情况下确定了WPIR容量。最后，我们比较了所提出的方案的性能和他们的差距的逆界。
2021-11-02 cs.IT math.IT
Weakly Private Information Retrieval Under Rényi Divergence
私有信息检索（PIR）是一种保证与数据库通信的用户隐私的协议。用户想要下载存储在数据库中的消息之一，同时隐藏所需消息的身份。最近，人们研究了通过削弱隐私要求可以获得的好处，但弱隐私的定义需要详细说明。在本文中，我们试图量化弱隐私（即，信息泄漏）的PIR问题，通过使用推广Kullback-Leibler分歧的Rényi分歧。通过在现有PIR问题中引入Rényi散度，利用凸优化方法刻画了隐私（信息泄露）与PIR性能（下载代价）之间的权衡关系.此外，我们提出了一种替代的PIR计划与更小的消息大小比田孙陈（TSC）计划。由于TSC方案的消息长度是实现PIR容量的最小值，因此该方案不能实现完全隐私的PIR容量。然而，我们表明，该计划可以优于TSC计划在弱PIR设置，特别是在低下载成本制度。
2021-05-17 cs.IT eess.SP math.IT
A Tight Context-aware Privacy Bound for Histogram Publication
该研究通过点态最大泄漏（PML）分析拉普拉斯机制发布直方图的隐私保证，指出PML相比无上下文的差分隐私更精细，当直方图bin概率远离零时可在固定噪声下提升隐私保护，证明了上下文感知隐私度量的优势。
2025-08-26 cs.CR cs.IT math.IT
Design of Privacy-Preserving Estimators Under Prior Information Exposure
Faculty of Science and Engineering, University of Groningen（格罗宁根大学理工学部）；Graduate School of Advance Science and Engineering, Hiroshima University（广岛大学先端理工学研究科）
针对网络化动态系统状态估计的隐私泄露问题，研究离散时间线性随机系统在PML隐私约束下的隐私保护估计器设计，推导相关下界与条件，通过凸半定规划得到权衡隐私与效用的估计器，仿真验证其有效性。
2026-10-14 cs.IT cs.SY eess.SY
Information Laundering for Model Privacy
University of Minnesota（明尼苏达大学）；University of Utah（犹他大学）；Stanford University（斯坦福大学）
在这项工作中，我们提出了信息清洗，一个新的框架，以提高模型的隐私。与涉及保护原始数据信息的数据隐私不同，模型隐私旨在保护已学习的模型，该模型将被部署用于公共用途。私有模型可以从一般的学习方法中获得，它的部署意味着它将为给定的输入查询返回确定性或随机响应。信息清洗模型由概率组件组成，这些组件故意操纵对模型的查询的预期输入和输出，因此模型的对抗性获取不太可能。在这个框架下，我们发展了一个信息理论的原则来量化模型效用和隐私泄露之间的基本权衡，并得出最优设计。
2020-09-13 cs.AI cs.CR cs.IT
Privacy-Preserving Semantic Communications via Multi-Task Learning and Adversarial Perturbations
Nexcepta；The Ohio State University（俄亥俄州立大学）；University of Maryland（马里兰大学）
本文提出一种基于多任务学习和对抗扰动的隐私保护语义通信框架，通过迭代min-max优化减少窃听者信息泄露，提升无线通信的隐私和效率。
2025-12-30 cs.AI cs.CR cs.IT
