Robust Privacy-Utility Tradeoffs under Differential Privacy and Hamming Distortion
一个隐私效用权衡开发的任意一组有限字母表源分布。隐私量化使用差分隐私（DP），和效用量化使用预期的汉明失真最大化的一组分布。源分布集（源集）的家庭被分为三类，根据他们捕获的先验知识的不同水平。对于其凸包包含均匀分布的源集合，对称DP机制是最佳的。对于概率值具有固定单调排序的源集合，非对称DP机制是最佳的。对于所有其他的源集，一般的最佳隐私泄漏的上限和下限的开发和紧密性的充分必要条件。不同的隐私泄漏是互信息（MI）泄漏的上限：这两个标准进行了比较分析和数值说明采用更强的隐私标准的效果。
2018-08-01 cs.IT math.IT
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
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
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
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
Privacy-Resolution Tradeoff for Adaptive Noisy Twenty Questions Estimation
School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院）
本文提出一种两阶段隐私查询方法，研究自适应噪声二十问题估计中隐私与分辨率的权衡，并在无噪声情况下优于现有方法。
2026-01-23 cs.IT math.IT
An Algorithm for Enhancing Privacy-Utility Tradeoff in the Privacy Funnel and Other Lift-based Measures
针对隐私漏斗这一非凸隐私-效用权衡优化难题，提出比提升度宽松、比互信息严格且可高效求解的隐私度量，结合启发式算法，在相同隐私预算下提升效用，并拓展至其他基于提升度的度量，经数值与理论验证有效。
2024-08-19 cs.IT math.IT
Tunable Measures for Information Leakage and Applications to Privacy-Utility Tradeoffs
我们引入了一个可调的信息泄漏措施，称为最大α泄漏。该度量量化了对手从数据的发布中推断数据集的任何（潜在随机）函数的最大收益。对手的推理能力，反过来，量化的一类对抗损失函数，我们引入$α$ -损失，$α\in[1,\infty]$。$α$的选择决定了具体的对抗行动，范围从细化$α=1$的信念（关于数据的任何函数）到猜测$α=\infty$的最可能值，同时细化介于两者之间的$α$的信念的$α^{th}$矩。最大α泄漏然后量化在数据的所有可能函数上的$α$损失下的对抗增益。特别地，对于$α=1$和$α=\infty$的极值，最大α泄漏分别简化为互信息和最大泄漏。对于$α\in(1,\infty)$，该测量被示出为阶为$α$的Arimoto信道容量。我们表明，最大的α-泄漏满足数据处理不等式和次加性属性，从而允许一个弱的组合物的结果。在这些属性的基础上，我们使用最大α泄漏作为隐私措施和研究的问题，数据发布的隐私保证，其中发布的数据的效用是通过一个硬失真约束确保。与平均失真不同，硬失真提供了保真度的确定性保证。我们表明，在硬失真约束下，对于$α>1$的最佳机制是独立的$α$，因此，得到的最佳折衷是相同的所有值的$α>1$。最后，最大阿尔法泄漏作为隐私措施的可调性也说明了平均汉明失真作为实用措施的二进制数据。
2019-08-19 cs.IT math.IT
Optimal Maximal Leakage-Distortion Tradeoff
大多数用于发布具有隐私保证的数据的方法将随机性引入数据集，这降低了所发布数据的实用性。在本文中，我们研究了隐私-效用权衡，以最大泄漏的隐私措施和期望汉明失真的效用措施。我们研究三个不同但相关的问题。首先，我们假设数据生成分布（即，先验）是已知的，并且我们找到了最优的隐私机制，该机制在最大泄漏的约束下实现了最小的失真。然后，我们假设先验属于某个分布集，我们制定了一个最小-最大问题，以找到最坏情况下的先验在集合中可实现的最小失真，受到最大泄漏约束。最后，我们定义了一个偏序隐私机制的基础上产生的最大失真。我们的研究结果表明，当先验分布是已知的，最佳的隐私机制充分披露的符号与最大的先验概率，并抑制符号与最小的先验概率。此外，我们发现，包含更均匀的分布的先验集合导致更大的失真，而更均匀地分布在符号上的隐私预算的隐私机制会产生更小的最坏情况下的失真。
2021-05-03 cs.IT math.IT
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
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 Privacy-Utility Tradeoff of Robust Local Differential Privacy
我们考虑数据$X=(S,U)$的数据发布协议，其中$S$是敏感的;发布的数据$Y$包含尽可能多的关于$X$的信息，作为$\operatorname{I}(X;Y)$测量，而不会泄露太多关于$S$的信息。我们引入鲁棒局部差分隐私（RLDP）框架来衡量隐私。这一框架依赖于数据的基本分布，而数据的基本分布需要根据现有数据进行估计。强大的隐私保证，确保隐私的所有分布在一个给定的集合$\mathcal{F}$，我们研究了两种情况下：当$\mathcal{F}$是所有分布的集合，当$\mathcal{F}$是一个置信度集产生的$χ^2$测试公开可用的数据集。在前一种情况下，我们引入了一个新的释放协议，我们证明是最佳的低隐私制度。在后一种情况下，我们提出了四个算法，从一个给定的数据集构建RLDP协议。其中之一是通过一个多面体近似$\mathcal{F}$，并使用稳健优化的结果来产生高实用性的发布协议。然而，该算法依赖于顶点枚举，并且对于大的输入空间变得计算上不可访问。其他三种算法是低复杂度的，并建立在随机响应的基础上。实验证明，所有四个算法提供了显着改善的效用比常规LDP。
2021-01-22 cs.CR cs.IT math.IT
The tradeoff between the utility and risk of location data and implications for public good
MIT Media Lab（麻省理工学院媒体实验室）
本文探讨了位置数据在效用与风险之间的权衡，分析了其在公共利益中的应用及私人市场中的使用差异。
2019-12-09 cs.CY cs.IT math.IT
Privacy-Utility Tradeoffs in Quantum Information Processing
Department of Mathematics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校数学系）
本文研究了量子信息处理中隐私与效用的权衡，提出通过去极化机制优化隐私-效用平衡，并展示了私有学习可观测量期望值所需的样本数与隐私和准确性参数的关系。
2026-02-11 cs.CR cs.IT cs.LG
Diversity Order Gain with Noisy Feedback in Multiple Access Channels
在本文中，我们研究了在多用户MIMO系统中，每个用户有m个发射天线和基站接收机有n个天线，使用量化反馈的分集复用折衷的反馈信道噪声的影响。我们推导出一个可实现的权衡，并使用它来表明，在SNR对称信道中，一个比特的不完美的反馈是足够的两倍，最大分集阶数为2mn相比，当没有反馈（最大是MN在复用增益为零）。此外，附加的反馈比特不会将该最大分集阶数增加到超过2mn。最后，对于更高的复用增益，也可以实现mn在非反馈系统上的上述分集阶数增益，尽管需要多于一个比特的反馈。
2008-06-10 cs.IT math.IT
Utility Maximization for Uplink MU-MIMO: Combining Spectral-Energy Efficiency and Fairness
在绿色通信的推动下，能量效率（EE）已成为设计无线通信系统的新的重要标准。然而，高能效往往导致低频谱效率（SE），这刺激了EE-SE权衡的研究。在本文中，我们专注于如何最大化的效用在上行链路多用户多输入多输出（MU-MIMO）系统中，我们将不仅考虑EE-SE权衡在一个统一的方式，但也确保用户公平性的物理层。我们首先制定的效用最大化问题，但它原来是非凸的。通过利用该问题的结构，我们找到了一个凸化过程，原来的非凸问题转化为一个等价的凸问题，它具有相同的全局最优与原问题。根据凸化过程，我们提出了一个集中式算法来解决效用最大化问题，但它需要所有用户的全局信息。因此，我们提出了一个原始-对偶分布式算法，不需要全局信息，只是消耗少量的开销。此外，我们还证明了分布式算法可以收敛到全局最优解。最后，数值实验结果表明，该算法既能捕获用户分集，实现EE-SE折衷，又能保证用户公平性，验证了原-对偶分布式算法的有效性.
2016-05-07 cs.IT cs.NI 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
Information-theoretic metrics for Local Differential Privacy protocols
本地差分隐私（LDP）协议允许聚合器获得关于用户群的敏感数据的人口统计，同时保护各个用户的隐私。为了理解聚合器效用和用户隐私之间的权衡，我们引入了新的信息理论度量效用和隐私。与其他LDP指标相反，这些指标突出了这样一个事实，即用户和聚合器对根本不同的信息域感兴趣。我们展示了我们的指标如何与$\varepsilon$ -LDP，\emph{de facto}标准的隐私度量，给后者的信息理论解释。此外，我们使用我们的指标来定量研究一些流行的协议的隐私效用权衡。
2019-10-17 cs.CR cs.IT math.IT
Latency-Distortion Tradeoffs in Communicating Classification Results over Noisy Channels
The University of Arizona（亚利桑那大学）
本文研究了在含噪信道上传输分类器概率向量时的延迟与失真权衡问题，通过结合量化技术与有限块长理论建立分析框架，发现稀疏格点量化在最小化传输延迟方面最为有效。
2024-04-22 cs.IT cs.LG cs.NI
Infinite Horizon Privacy in Networked Control Systems: Utility/Privacy Tradeoffs and Design Tools
本文研究网络化控制系统的无限时域隐私问题，提出基于线性坐标变换与加性相关高斯向量的扭曲机制，并将其合成为凸规划，在控制性能退化上界约束下最小化系统状态与远程估计间的互信息以最大化隐私。
2023-07-27 cs.CR cs.IT cs.SY
Exact Optimality of Communication-Privacy-Utility Tradeoffs in Distributed Mean Estimation
Stanford University（斯坦福大学）；Hongik University（弘益大学）
本文研究通信与本地差分隐私约束下的均值估计问题，证明精确最优需使用旋转对称共享随机码本，并提出基于随机旋转单纯形和k-最近编码的机制，实现非渐近精确最优。
2023-10-29 cs.CR cs.DC cs.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
Privacy Under Hard Distortion Constraints
我们研究的问题，数据披露的隐私保证，其中所披露的数据的效用是通过一个\emph{hard distortion}约束确保。与平均失真不同，硬失真提供了保真度的确定性保证。对于隐私度量，我们使用一个可调的信息泄漏度量，即\textit{maximal $α$-leakage}（$α\in[1,\infty]$），并制定隐私效用权衡问题。由此产生的解决方案强调，在硬失真约束下，解决方案的性质对于本地和非本地隐私要求保持不变。更准确地说，我们表明，最佳机制和最佳权衡是不变的任何$α>1$ ;即，可调泄漏测量仅表现为两个极值中的任一个，即，$α=1$的互信息和$α=\infty$的最大泄漏。
2018-05-31 cs.IT math.IT
Smart Meter Privacy: A Utility-Privacy Framework
智能电表测量中的终端用户隐私是智能电网中众所周知的挑战。到目前为止，所提供的解决方案都与特定的技术有关，例如电池或数据使用的假设。现有的解决方案也没有量化任何这种隐私保护方法所造成的利益（效用）损失。利用信息论中的工具，提出了一种新的框架，该框架抽象了智能电表数据的隐私性和实用性要求。这导致了一个新的隐私效用权衡问题，最小的假设是易处理的。特别是对于一个平稳的高斯马尔可夫模型的电力负荷，它示出的最佳效用和隐私保护的解决方案需要过滤掉的频率分量是低功率，这种方法似乎包括大多数建议的隐私方法。
2011-08-10 cs.IT math.IT
Noisy Broadcast Networks with Receiver Caching
我们研究噪声广播网络与本地缓存存储器的接收器，其中发送器可以预先存储信息，甚至在学习接收器的请求。我们主要集中在包擦除广播网络与两个不相交的接收器：一组弱接收器与所有相等的擦除概率和相等的缓存大小和一组强接收器与所有相等的擦除概率和没有缓存。我们提出了这个网络的容量-内存权衡的下限和上限。通过新的联合高速缓存-信道编码思想实现了该下界，并且显著改进了基于单独高速缓存-信道编码的方案。我们将讨论如何将这种编码思想扩展到更一般的离散无记忆广播信道和不平等的缓存大小。我们的上界适用于所有随机退化的广播信道。对于所描述的包擦除广播网络，当存在单个弱接收器（以及任何数量的强接收器）并且缓存大小不超过给定阈值时，我们的下限和上限是紧的。当有一个弱接收器，一个强接收器和两个文件时，我们可以加强我们的上限和下限，以便它们在缓存大小的广泛范围内一致。最后，当所有接收器总是要求完全相同的文件时，我们完全忽略了具有任意缓存大小和任意（不对称）速率的一般离散无记忆广播信道的速率-内存权衡。
2016-05-08 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
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
Two Models for Noisy Feedback in MIMO Channels
在文献中已经广泛地研究了分别适用于FDD（频分双工）和TDD（频分双工）系统的两种不同的反馈模型。在本文中，我们比较了这两种模式的反馈的多样性复用的权衡在终端处的信道状态信息的变化量。我们发现，当所有的不完善占，在FDD系统中的最大可实现的分集阶数匹配的TDD系统中的分集阶数。TDD系统在更高的复用增益下实现更好的分集阶数。在FDD系统中，最大分集阶数可以仅用单个比特的反馈来实现。如果接收机不知道信道状态信息，则额外的反馈比特（完美或不完美）不影响分集阶数。
2008-11-26 cs.IT math.IT
The Sampling Rate-Distortion Tradeoff for Sparsity Pattern Recovery in Compressed Sensing
从有限数量的噪声线性测量中恢复未知稀疏向量的稀疏模式（或支持）是压缩感知中的一个重要问题。在高维设置中，它是已知的，如果测量速率和每个样本的信噪比（SNR）是有限的常数，独立于向量长度的误差的消失分数的恢复是不可能的。在本文中，它是一个任意小的，但恒定的错误分数的恢复是可能的，但是，在某些情况下，计算简单的估计是接近最优的。给出了几种不同的恢复算法的SNR和未知向量的各种关键参数方面的测量速率，以达到所需的误差分数的界限。的紧密性的界限，在缩放的意义上，作为SNR和错误的分数的函数，建立与现有的信息理论的必要界限的比较。近最优性示出了各种各样的实际动机的信号模型。
2012-06-25 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
Local Information Privacy and Its Application to Privacy-Preserving Data Aggregation
在本文中，我们研究了本地信息隐私（LIP），并设计了基于LIP的统计聚集机制，同时保护用户的隐私，而不依赖于可信的第三方。上下文感知的概念被纳入LIP，它可以被看作是明确的建模对手的背景知识。它可以利用先验分布设计隐私保护机制，这可能比本地差分隐私（LDP）等上下文无关概念实现更好的实用性与隐私权衡。我们提出了一个优化框架，以最大限度地减少在数据聚合的均方误差，同时保护隐私的每个单独的用户的输入数据或相关的潜在变量，同时满足LIP约束。然后，我们研究了两种不同类型的应用程序：（加权）求和和直方图估计，并推导出最佳的上下文感知数据扰动参数为每种情况下，基于随机响应类型的机制。我们进一步比较了LIP和LDP之间的效用-隐私权衡，并从理论上解释了为什么先验知识的引入扩大了扰动参数的可行区域，从而导致更高的效用。我们还将基于LIP的隐私机制扩展到更一般的情况下，确切的先验知识是不可用的。最后，我们验证了我们的分析模拟使用合成和真实世界的数据。结果表明，我们的基于LIP的隐私机制提供了更好的实用性和隐私的权衡比LDP，和LIP的优势是更显着的先验分布时，更偏斜。
2020-11-29 cs.CR cs.DB cs.IT
Computation-Utility-Privacy Tradeoffs in Bayesian Estimation
Harvard（哈佛大学）；ETH Zurich（苏黎世联邦理工学院）；MIT（麻省理工学院）
本文首次提出高效的算法，在保证隐私的前提下实现贝叶斯估计的最优误差，同时揭示了计算与统计之间的差距。
2026-03-18 cs.CC cs.DS cs.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
Context-aware Data Aggregation with Localized Information Privacy
University of Arizona（亚利桑那大学）
本文提出了局部信息隐私（LIP），作为一种新的隐私定义，它允许统计聚合，同时保护用户的隐私，而不依赖于可信的第三方。上下文感知的概念被纳入LIP的先验知识的引入，这使得设计的隐私保护的数据聚合。我们表明，LIP放松本地化差分隐私（LDP）的概念，明确建模对手的知识。然而，它比$2ε$ -LDP和$ε$ -互信息保密性更严格。与其他方法相比，局部先验的结合允许LIP实现更高的效用。然后，我们提出了一个隐私保护数据聚合的优化框架，目标是在满足LIP隐私约束的同时最小化预期平方误差。实用性和隐私的权衡下得到几个模型的封闭形式。然后，我们验证我们的分析{数值分析}使用合成和真实世界的数据。结果表明，我们的LIP机制提供了更好的实用性和隐私的权衡比LDP和先验分布不均匀时，LIP的优势更加显着。
2018-07-31 cs.CR cs.IT cs.LG
On Maximal Correlation, Mutual Information and Data Privacy
在\cite{Asoodeh}中定义的速率隐私功能作为一个分布式私有数据系统中的隐私和效用之间的权衡，其中隐私和效用都是使用互信息来测量的。在这里，我们使用最大相关性代替隐私约束中的互信息。我们首先得到一些一般的性质和最大相关性的界限，然后修改的速率隐私函数考虑隐私约束的估计问题。当最大相关隐私被设置为某个阈值$ε>0$时，我们找到了这个问题中效用的一个界，并构造了一个达到这个界的显式隐私方案。
2015-10-08 cs.IT math.IT math.ST
Distributed Power Control with Partial Channel State Information: Performance Characterization and Design
本文的目标之一是有助于找到分布式功率控制策略，有效地利用全球信道状态的信息，它可能是本地或嘈杂。测量分布式功率控制方案的全局效率的合适方式是使用长期效用区域。首先，当信道状态服从独立块衰落规律且观测结构为无记忆时，给出了一般效用函数的效用域刻画。其次，利用相应的定理构造了一个迭代算法，该算法提供了一次性的功率控制策略。所提出的算法的性能进行评估的能源效率和频谱效率的通信，并表现出更好地比国家的最先进的技术，具有额外的优势，即使在存在任意的观察结构，如对应于嘈杂的信道增益估计是适用的。
2019-07-23 cs.GT cs.IT math.IT
