Sublinear Space Graph Algorithms in the Continual Release Model
针对连续发布模型中边差分隐私图算法的不足，本文利用稀疏化技术提出亚线性空间算法，输出顶点子集解决方案并获新成果，还给出全动态场景下界。
2025-04-16 cs.CR cs.DS
Continual Release of Differentially Private Synthetic Data from Longitudinal Data Collections
针对纵向数据持续发布的隐私问题，提出持续合成数据生成算法，支持固定时间窗口和累积时间查询，误差率近紧，并在美国普查数据上验证性能。
2024-05-24 cs.CR cs.CY cs.DS
Differentially Private Histogram, Predecessor, and Set Cardinality under Continual Observation
本研究针对持续观测下的差分隐私，提出维护直方图、前驱和集合基数的算法，给出参数化误差界及匹配下界，并支持未知参数场景。
2023-06-17 cs.CR cs.DS
Differentially Private Algorithms for Graphs Under Continual Observation
本文研究持续观察下图问题的差分隐私动态图算法，针对三角形计数等计数问题将事件级加性误差改进为关于更新序列长度的多对数级别，并为最小生成树、最小割、最稠密子图和最大匹配等给出事件级隐私算法，同时证明用户级隐私下加性误差必须与输出值域成线性关系。
2025-09-23 cs.CR cs.DS
Differentially Private Continual Releases of Streaming Frequency Moment Estimations
计算的流模型是处理大规模数据的流行方法。在这种设置中，有一个项目流，目标是计算所需的数量（通常是数据统计），同时通过流进行单次传递并使用尽可能少的空间。出于数据隐私的重要性，我们开发了差分隐私流媒体算法下的连续发布设置，在每个时间戳的算法的输出的联合必须是差分隐私。具体地说，我们研究了基本的$\ell_p$ $(p\in [0,+\infty))$频率矩估计问题在此设置下，并给出了一个$\varepsilon$算法，实现$(1+η)$ -相对近似$(\forall η\in(0,1))$与$\mathrm{poly}\log(Tn)$添加性误差和使用$\mathrm{poly}\log(Tn)\cdot \max(1, n^{1-2/p})$空间，其中$T$是流的长度和$n$是宇宙的元素的大小。我们的空间是接近最佳的多对数因子，即使在非私人设置。为了获得我们的结果，我们首先减少了几个原语下的差分私有连续发布模型，如计数不同的元素，重打击者和计数低频元素，在相同的设置更简单，计数/求和问题。基于这些原语，我们开发了一种差分私有连续释放水平集估计方法来解决$\ell_p$频率矩估计问题。我们还提供了一个简单的扩展，我们的结果更硬的滑动窗口模型，统计数据必须保持在过去的$W$数据项。
2023-01-13 cs.DS
Differentially Private Continual Release of Histograms and Related Queries
本文研究差分隐私下直方图及相关查询的持续发布，提出仅插入模型和十字转门模型中输出敏感机制，分别以 O(d log²(dq*)+log T) 和 O(d log²(dK)+log T) 的加性误差改进现有下界。
2025-03-10 cs.CR cs.DS
Better Differentially Private Approximate Histograms and Heavy Hitters using the Misra-Gries Sketch
针对流式近似直方图与重击者的差分隐私发布，本文改进 Misra-Gries 草图机制，使噪声不随草图规模线性增长，并支持用户贡献多个不同元素。
2025-03-18 cs.CR cs.DS cs.IR
Binned Group Algebra Factorization for Differentially Private Continual Counting
Institute of Science and Technology (ISTA)（科学技术研究院（ISTA））；Rutgers University（罗格斯大学）
本文针对差分隐私连续计数问题，提出利用群代数分解的新结构性质结合分箱技术，将内存和运行时间降至约O(√n)并保持低误差，弥合了理论精度与实际效率之间的差距。
2025-04-06 cs.DS cs.LG
Differentially Private Continual Release with Relative Error
The Hong Kong University of Science and Technology（香港科技大学）；Guangzhou HKUST Fok Ying Tung Research Institute（广州香港科技大学福耀研究院）
该研究针对差分隐私下持续发布模型的四类任务，证明非自适应输入流下引入相对误差可大幅降低误差，自适应流下仅选最小累计和属性任务误差大，其余任务仍可保小误差，补充了匹配下界。
2026-08-21 cs.DS
Concurrent Composition for Differentially Private Continual Mechanisms
Institute of Science and Technology（IST奥地利科技大学）；Harvard University（哈佛大学）
本文提出并发组合定理，用于处理支持数据更新和多种查询的连续机制，确保在对手可交错查询和数据更新时仍能保持隐私。
2026-03-16 cs.DS
Almost Tight Error Bounds on Differentially Private Continual Counting
Faculty of Computer Science, University of Vienna（维也纳大学计算机学院）；Rutgers University（罗格斯大学）；Indian Statistical Institute, Delhi（印度统计研究所德里中心）；Fujitsu Research of America（美国富士通研究所）
本文提出一种新的差分隐私持续计数机制，其均方误差渐近最优且比二进制机制小10倍，并给出几乎紧致的非渐近误差界，同时首次为近似差分隐私下持续计数和奇偶校验查询建立紧致下界。
2024-02-05 cs.CR cs.DS cs.LG
Differential Privacy for Clustering Under Continual Observation
McGill University（麦吉尔大学）；IST Austria（奥地利科学技术研究所）
针对持续观察下经历点插入和删除的数据集聚类问题，提出首个加性误差仅与更新次数对数相关的 $\varepsilon$-差分隐私 $k$-means 近似算法，通过结合降维与贪心近似实现，并部分扩展至 $k$-median。
2023-07-27 cs.CR cs.DS cs.LG
Constant matters: Fine-grained Complexity of Differentially Private Continual Observation
Google Research（谷歌研究院）；University of Vienna（维也纳大学）；Stanford University（斯坦福大学）；Rutgers University（罗格斯大学）
本文针对持续观测下的差分隐私计数问题，通过显式分解计数矩阵并分析其cb-范数，给出了细粒度的误差上界，并首次为多种问题提供了具体误差界，改进了已有28年的最佳界。
2024-02-05 cs.DS cs.LG
The Binary Tree Mechanism is Optimal for Differentially Private Continual Counting
Aarhus University（奥胡斯大学）
本文证明在近似差分隐私下，连续计数问题的任何机制都必须有期望ℓ∞误差Ω(log^{3/2} n)，从而表明二叉树机制是渐近最优的。
2026-10-22 cs.CR cs.DS cs.LG
Improved Error Bounds for Pure Differentially Private Continual Counting via Matrix Factorization
Institute of Science and Technology Austria（奥地利科学技术研究所）
研究纯差分隐私连续计数误差界，提出通用矩阵分解机制改进最大平方误差和均方误差主导常数，给出算法实现，还证明特定分解类下界与上界渐近匹配，扩展下界至任意矩阵分解等问题待解。
2026-07-13 cs.DS
Improved Differentially Private Continual Observation Using Group Algebra
本文建立差分隐私持续加权前缀和机制与群代数中群矩阵的联系，通过分解范数分析获得匹配最优非构造界的高效构造，并改进及扩展多类权函数的加性误差上界。
2025-02-15 cs.DS
Counting Distinct Elements in the Turnstile Model with Differential Privacy under Continual Observation
该研究针对Turnstile流模型中差分隐私持续发布不同元素计数的问题，证明了最坏情况误差下界，提出基于最大翻转度的元素级隐私机制，实现了紧的参数化误差保证。
2024-07-10 cs.CR cs.DS
Differentially Private Sparse Vectors with Low Error, Optimal Space, and Fast Access
表示稀疏直方图或更一般地表示稀疏向量是差分隐私中的基本任务。理想的解决方案将使用接近信息理论下限的空间，具有最佳地取决于所需隐私级别的错误分布，并允许快速随机访问向量中的条目。然而，现有的方法只实现了这三个目标中的两个。在本文中，我们介绍了近似拉普拉斯投影（ALP）机制近似k-稀疏向量。这种机制同时具有信息理论上的最优空间（常数因子），快速访问矢量条目，和错误的拉普拉斯机制适用于密集的矢量相同的幅度。一个关键的新技术是小整数的一元表示，我们证明了它对“随机响应”噪声的鲁棒性。这种表示与散列相结合，在布隆过滤器的精神，以获得空间效率，差异私人表示。我们的理论性能界限的补充模拟表明，主要性能参数的常数因子是相当小的，这表明该技术的实用性。
2021-09-27 cs.CR cs.DS
Private Continual Release of Real-Valued Data Streams
我们提出了一种不同的私有机制来显示统计信息（例如，移动平均值），其中每个观测值的界限要么过于保守，要么事先未知。这与实时数据监测和报告的场景特别相关，例如，通过智能电表获取能源数据。我们的重点是真实世界的数据流，其分布是轻尾的，这意味着尾部接近零至少与指数分布一样快。对于这样的数据流，预计单个观测值将集中在未知阈值以下。从数据中估计这个阈值可能会侵犯隐私，因为它会揭示与个人相关的特定事件[1]。另一方面，过于保守的阈值可能会通过添加比必要的更多的噪声来影响准确性。我们构造了一个效用优化的差分隐私机制，以释放这个阈值的基础上的输入流。与最先进的算法相比，我们的主要优势在于，添加到流的每个观察结果中的噪声被缩放到阈值，而不是可能更大的界限;当差异显着时，会导致相当大的效用增益。使用两个真实世界的数据集，我们证明了我们的机制，平均而言，提高了3.5倍的第一个数据集上的效用，和9对其他。虽然我们的主要重点是持续发布统计数据，但我们发布阈值的机制可以用于其他各种应用程序，其中需要对输入分布的规模进行（隐私保护）测量。
2018-11-08 cs.CR cs.DS
Private Decayed Sum Estimation under Continual Observation
在监控应用中，最近的数据比遥远的数据更重要。这如何影响数据分析的隐私？我们研究了一类通用的数据分析-计算谓词和-隐私。形式上，我们研究的问题估计谓词和{ \em私人}，滑动窗口（和其他著名的衰减模型的数据，即指数和多项式衰减）。我们扩展了Dwork等人最近提出的连续隐私模型。我们提出了衰减和的算法，这些算法是$\eps$ -差分隐私的，并且是准确的。对于窗口和指数衰减和，我们的算法是准确的添加剂$1/\eps$和polylog项的范围内的计算函数;多项式衰减和技术上更具挑战性，因为部分解决方案不容易组成，我们的算法会产生额外的相对误差。此外，我们展示了下界，紧内polylog因素和紧相对于错误的概率的依赖。
2012-03-03 cs.CR cs.DS
Tighter Bounds for Local Differentially Private Core Decomposition and Densest Subgraph
本文针对局部差分隐私下的核心分解问题，首次给出集中式与局部模型的加性误差下界，并基于持续计数黑盒构造了几乎匹配下界的精确与近似核心分解机制，同时改进了近似最密子图问题的机制。
2024-02-28 cs.CR cs.DS
Efficient and Near-Optimal Noise Generation for Streaming Differential Privacy
Google DeepMind（谷歌DeepMind）；Google Research（谷歌研究院）；IIT Madras（马德拉斯印度理工学院）
本文针对差分隐私连续计数提出两种近最优且空间高效的噪声生成方案，通过Toeplitz矩阵流式乘法和低阶有理函数逼近平方根，仅需对数或多项式对数空间即可实现高实用性。
2024-05-06 cs.CC cs.CR cs.DS
Bounded Space Differentially Private Quantiles
估计大数据集的分位数是流算法文献和差分隐私文献中的基本问题。然而，所有现有的用于分布无关分位数计算的私有机制都需要输入大小$n$中至少线性的空间。在这项工作中，我们设计了一个差分隐私算法的分位数估计问题，具有强次线性空间复杂度，在一次和连续观察设置。我们的基本机制估计任何$α$ -近似分位数的长度$n$流在数据宇宙$\mathcal{X}$概率$1-β$使用$O\left( \frac{\log (|\mathcal{X}|/β) \log (αεn)}{αε} \right)$空间，同时满足$ε$ -差分隐私在一个单一的时间点。我们的方法建立在确定性流算法的非私人分位数估计实例化的指数机制，使用的效用函数定义的草图项目，而（私人）从定义的间隔采样的草图。我们还提出了另一种算法的基础上直方图，特别适合于多个分位数的情况下。我们实现了我们的算法，并在合成和真实世界的数据集上进行了实验评估。
2022-01-10 cs.CR cs.DB cs.DS
The Price of Differential Privacy under Continual Observation
在连续发布模型中，我们研究了差分私有机制的准确性。连续释放机制接收敏感数据集作为$T$输入流，并且在接收到每个输入之后产生关于所获得的输入的准确输出。相比之下，批处理算法将数据作为一个批次接收，并产生单个输出。我们提供了第一个强大的连续释放机制的错误的下限。特别是，对于两个基本问题，广泛研究和使用的批处理模型，我们表明，最坏情况下的错误的每一个连续释放算法是$\tilde Ω(T^{1/3})$倍大于最好的批处理算法。先前的工作仅示出了在这两个模型中可实现的最坏情况误差之间的多对数（在$T$中）间隙;此外，对于许多问题，包括二进制属性的求和，多对数间隙是紧密的（Dwork等人，2010; Chan等人，2010年）。我们的研究结果表明，与求和密切相关的问题-特别是那些需要选择一组总和中最大的问题-在连续释放模型中比在批处理模型中更难。我们的下限仅假设隐私适用于预先固定的流（“非自适应”设置）。然而，我们提供了匹配的上限，保持在一个模型中的隐私是必要的，即使是自适应选择的流。这个模型可能是独立的兴趣。
2022-01-11 cs.CR cs.DS
Differential Privacy on Finite Computers
我们考虑了设计和分析差分私有算法的问题，这些算法可以在{\em strict}多项式时间中在{\em离散}计算模型上实现，其动机是对实数算术差分私有算法的浮点实现的已知攻击（Mironov，CCS 2012）以及对预期的多项式时间算法的潜在定时攻击。作为一个案例研究，我们研究的基本问题，近似的直方图的分类数据集在一个可能的大数据宇宙$\mathcal{X}$。经典拉普拉斯机制（Dwork，McSherry，Nissim，Smith，TCC 2006和J. Privacy \& Confidence 2017）不满足我们的要求，因为它基于实数运算和自然离散模拟，例如几何机制（Ghosh，Roughgarden，Sundarajan，STOC 2009和SICOMP 2012），在$|\mathcal{X}|$中花费至少线性的时间，其在输入的比特长度中可以是指数的。在本文中，我们提供严格的多项式时间离散算法近似直方图的同时精度（所有箱的最大误差）匹配拉普拉斯机制的常数因子，同时保留相同的（纯）差分隐私保证。我们的一个算法产生一个稀疏的直方图作为输出。它的“每箱精度”（个别箱的错误）是由$\log|\mathcal{X}|$的一个因素比拉普拉斯机制，但我们证明了一个下界，表明这是必要的任何算法，产生一个稀疏的直方图。第二种算法通过产生密集直方图的紧凑且有效的可计算表示来避免该下限，并且匹…
2019-01-17 cs.DS
Locally Private Histograms in All Privacy Regimes
本文研究了中低隐私机制下的本地私有直方图与分布学习问题，建立了ℓ∞误差的近乎紧致界，并据此提出混洗模型下通信复杂度显著更优的直方图协议，同时通过实证比较验证了理论发现。
2024-09-04 cs.CR cs.DM cs.DS
Streaming Private Continual Counting via Binning
Basic Algorithms Research Copenhagen（哥本哈根大学基础算法研究中心）；University of Copenhagen（哥本哈根大学）
针对差分隐私下持续计数在流式设置中空间开销过大的问题，提出基于分箱的低空间近似分解机制，在保证亚线性空间的同时匹配甚至超越渐近最优机制性能。
2025-03-06 cs.CR cs.DS cs.LG
Almost linear time differentially private release of synthetic graphs
Nanjing University（南京大学）；Rutgers University（罗格斯大学）
本文提出首个近线性时间与空间复杂度的差分隐私算法，通过从指数机制采样生成合成图，近似原图的割与谱，其复杂度与非隐私设置匹配且效用不减，并支持持续观察下的隐私图分析。
2024-06-04 cs.CR cs.DS cs.LG
Normalized Square Root: Sharper Matrix Factorization Bounds for Differentially Private Continual Counting
本文针对差分隐私持续计数中的矩阵分解范数问题，首次给出改进 Mathias 上界的显式分解，并显著提升下界，将 $γ_2$ 与 $γ_F$ 的上下界差距分别缩小至 $0.14$ 和 $0.047$。
2025-09-17 cs.CR cs.DS cs.LG
Local, Private, Efficient Protocols for Succinct Histograms
The Pennsylvania State University（宾夕法尼亚州立大学）；Boston University（波士顿大学）；Harvard University（哈佛大学）
我们给出了有效的协议和匹配精度下界的频率估计的局部模型的差分隐私。在这个模型中，个人用户自己随机化他们的数据，将不同的私人报告发送到一个不受信任的服务器，该服务器将这些报告聚集在一起。我们研究的协议，产生一个简洁的直方图表示的数据。一个简洁的直方图是数据中最频繁的项目（通常称为“重打击者”）及其频率估计值的列表;所有其他项目的频率隐式估计为0。如果有$n$用户的项目来自一个大小为$d$的宇宙，我们的协议在$n$和$\log(d)$中以时间多项式运行。以高概率，他们估计每个项目的准确性，直到错误$O\left(\sqrt{\log(d)/(ε^2n)}\right)$，其中$ε$是隐私参数。此外，我们表明，这么多的错误是必要的，无论计算效率，甚至对于简单的设置，只有一个项目出现在数据集中的显着频率。先前用于该任务的方案（Mishra和Sandler，2006; Hsu，Khanna和Roth，2012）要么在$Ω(d)$中运行，要么具有更严重的错误（约为$\sqrt[6]{\log(d)/(ε^2n)}$），并且唯一已知的错误下限是$Ω(1/\sqrt{n})$。我们还将McGregor et al（2010）的结果适用于当地环境。在一个使用公共硬币的模型中，我们展示了每个用户只需要向服务器发送1比特。对于所有已知的本地协议（包括我们的），转换保持计算效率。
2015-04-18 cs.CR cs.DS cs.LG
Time-Aware Projections: Truly Node-Private Graph Statistics under Continual Observation
本文提出首批在持续发布设置下满足节点差分隐私的算法，通过设计基于时间感知的图流投影技术，在满足可私有测试安全条件时实现稳定投影，从而在稀疏图上以最优误差解决边、三角形等基本图统计问题。
2025-11-05 cs.CR cs.DS
Continual Release of Densest Subgraphs: Privacy Amplification & Sublinear Space via Subsampling
Yale University（耶鲁大学）
研究边差分隐私图算法的持续发布模型，通过精细化子采样实现隐私放大与稀疏化，提出首个匹配最佳静态DP误差与非隐私流式空间复杂度的稠密子图算法，并引入图稠密化消除额外对数因子。
2025-10-13 cs.CR cs.DS cs.LG
Making Old Things New: A Unified Algorithm for Differentially Private Clustering
McGill University（麦吉尔大学）；Institute for Science and Technology Austria (ISTA)（奥地利科学技术研究所）；CNRS（法国国家科学研究中心）；Université Paris Cité（巴黎西岱大学）
本文提出对一种20年前的聚类算法作小幅修改，使其统一适用于集中式、本地、洗牌及持续观察等差分隐私模型，并在匹配、改进既有结果的同时拓展至新场景。
2024-06-17 cs.CR cs.DS cs.LG
Online Differentially Private Synthetic Data Generation
University of California Irvine（加利福尼亚大学欧文分校）；University of Southern California（南加利福尼亚大学）
本研究提出一种在线差分隐私合成数据生成的多项式时间算法，针对超立方体内无限时间范围的数据流，在1-Wasserstein距离下实现近似最优精度界，将持续发布模型从计数查询拓展至Lipschitz查询，仅比离线方法多付出多对数因子的精度代价。
2024-10-23 cs.DS cs.LG math.PR
Differentially Private $L_2$-Heavy Hitters in the Sliding Window Model
大公司的数据管理通常优先考虑更新的数据，作为比过时数据更高准确性预测的来源。例如，Facebook数据政策将用户搜索历史记录保留$6$个月，而Google数据保留政策规定，浏览器信息最多可存储$9$个月。这些策略由滑动窗口模型捕获，其中只有最新的$W$统计信息形成底层数据集。在本文中，我们考虑的问题，私人释放的$L_2$ -heavy hitters的滑动窗口模型，其中包括$L_p$ -heavy hitters的$p\le 2$，在某种意义上是最强的可能的保证，可以实现使用多对数空间，但不能处理现有的技术，由于次可加性的$L_2$范数。此外，现有的非私有滑动窗口算法使用平滑直方图框架，具有较高的敏感性。为了克服这些障碍，我们引入了第一个差分私有算法的$L_2$ -沉重的打击者在滑动窗口模型通过启动一个数字的$L_2$ -沉重的打击者的算法在整个流具有显着较低的阈值。同样，我们增加了一个近似的频率跟踪算法，具有显着更高的精度的算法。然后，我们使用平滑的灵敏度和统计距离参数，表明我们可以添加噪声成比例的$L_2$范数的估计。据我们所知，我们的技术是第一个私人发布的统计数据，与滑动窗口模型中的子加性函数相关，并且可能对滑动窗口模型中未来的差分私有算法设计具有独立的兴趣。
2023-02-22 cs.DS
Skirting Additive Error Barriers for Private Turnstile Streams
BARC, University of Copenhagen（哥本哈根大学 BARC）；MIT（麻省理工学院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出在私有翻转流中持续发布不同元素数量的方法，通过结合乘性和加性误差降低空间需求，同时探讨隐私与误差间的权衡。
2026-03-03 cs.CR cs.DS
Improved Accuracy for Private Continual Cardinality Estimation in Fully Dynamic Streams via Matrix Factorization
Institute of Science and Technology Austria（奥地利科学与技术研究所）；Department of Computer Science, Boston University（波士顿大学计算机科学系）
本文通过矩阵分解改进了全动态流中私有连续基数估计的精度，提升了计数不同元素、度直方图和三角计数的误差界。
2026-01-05 cs.CR cs.DS cs.LG
Differentially Private Space-Efficient Algorithms for Counting Distinct Elements in the Turnstile Model
本文针对转门流式模型中计数不同元素问题，提出首个次线性空间差分隐私算法，在任意数据流上实现 $\tilde{O}_η(T^{1/3})$ 空间与加性误差，显著改进了现有线性空间需求，并给出了匹配的空间下界。
2025-05-29 cs.CR cs.DS
Fully Dynamic Graph Algorithms with Edge Differential Privacy
Boston University（波士顿大学）；IMADA, University of Southern Denmark（南丹麦大学 IMADA）
研究完全动态图更新下边差分隐私的算法，针对三角形计数、连通分量数、最大匹配大小和度直方图等统计量，给出上下界，并首次实现项级隐私算法。
2026-06-24 cs.CR cs.DS
Differentially Private Clustering in Data Streams
Google（谷歌）；Columbia University（哥伦比亚大学）；Purdue University（普渡大学）
本研究针对流式聚类的隐私保护需求，提出首个持续发布设置下的次线性空间差分隐私$k$-均值/$k$-中位数聚类框架，实现两种近似保证且仅需离线DP算法作为黑盒。
2025-10-02 cs.CR cs.DS cs.LG
Differentially Private Weighted Sampling
Google Research（谷歌研究院）；Tel Aviv University（特拉维夫大学）；Stanford University（斯坦福大学）；Ben-Gurion University（本-古里安大学）
常见的数据集具有带键的元素的形式（例如，交易和产品），目标是对密钥和频率对的聚合形式执行分析。按频率（的函数）加权的键样本是一种高度通用的摘要，它提供了一组稀疏的代表性键，并支持查询统计信息的近似评估。我们提出私人加权抽样（PWS）：一种方法，确保元素级别的差分隐私，同时保留，在可能的范围内，一个相应的非私人加权样本的效用。PWS最大限度地提高了键的报告概率和广泛的统计数据族的估计质量。PWS在没有执行采样时，对于私有直方图的经过充分研究的特殊情况，也优于现有技术。我们的经验表明，与以前的基线相比，显着的性能增益：20%-300%的增加，在关键报告常见的Zipfian频率分布和准确性的$\times 2$ - $ 8$较低的频率估计任务。此外，PWS作为一个简单的后处理的非私人样本，而不需要原始数据。这允许与非私有方案的现有实现的无缝集成，并保持为资源受限设置（诸如大规模分布式或流式数据）设计的方案的效率。我们相信，由于实用性和性能，PWS可能会成为一种选择的方法，在应用程序中的隐私是必要的。
2021-03-31 cs.CR cs.DS cs.LG
How to Make Your Approximation Algorithm Private: A Black-Box Differentially-Private Transformation for Tunable Approximation Algorithms of Functions with Low Sensitivity
提出一种黑盒框架，利用平滑敏感度技术将低敏感度函数的可调近似算法转换为差分隐私变体，在不牺牲精度的前提下，为图论、流式及滑动窗口算法提供了首批隐私保护方案。
2023-09-11 cs.CR cs.DS
DPSW-Sketch: A Differentially Private Sketch Framework for Frequency Estimation over Sliding Windows (Technical Report)
East China Normal University（华东师范大学）；Zhejiang University（浙江大学）
针对滑动窗口数据流中的敏感频率估计与重击者识别问题，提出基于 count-min sketch 的差分隐私 DPSW-Sketch，在亚线性时空开销下保证有界误差，并实现更优效用-隐私权衡。
2024-06-12 cs.CR cs.DS cs.LG
Improved Lower Bounds for Privacy under Continual Release
该研究改进了连续发布下隐私保护的下界，展示了多项式加性误差下界，并提出了在允许乘法近似的情况下，通过连续机制实现多项对数加性误差的方法。
2025-12-17 cs.DS
On the Round Complexity of the Shuffle Model
Ben-Gurion University（本-古里安大学）；Tel-Aviv University（特拉维夫大学）；Georgetown University（乔治敦大学）；Google Research（谷歌研究院）
提出了差分隐私的混洗模型，作为一种可行的分布式差异隐私计算模型。非正式地说，该模型由一个不受信任的分析器组成，该分析器通过shuffle功能接收参与方发送的消息，后者可能会将消息与他们的消息分离。以前的工作集中在一轮差分隐私洗牌模型协议，证明了功能，如添加和直方图可以在这个模型中执行的准确性水平类似于馆长模型的差分隐私，其中计算是由一个完全信任的一方。针对洗牌模型的轮复杂度，我们提出了在两轮差分隐私洗牌模型中可以计算什么。Ishai等人[FOCS 2006]展示了如何使用一轮洗牌在每两方之间建立密钥。使用该原语模拟一般的安全多方协议，使其轮复杂度增加1。我们展示了双方如何可以使用一轮的洗牌发送秘密消息，而不必首先建立一个秘密密钥，从而保留轮的复杂性。将此原语与Applebaun等人的两轮半诚实协议相结合。[TCC 2018]，我们得到每个随机功能都可以在洗牌模型中计算，其中诚实的大多数仅需两轮。这包括任何差异私有计算。然后，我们开始研究洗牌模型中的差分私有计算，（i）不需要假设诚实的多数，或者（ii）不承认单轮协议，即使是诚实的多数。为此，我们引入了两个计算任务：公共元素问题和嵌套公共元素问题，我们展示了一轮和两轮协议之间的分离。
2020-09-28 cs.CR cs.DS cs.LG
Differentially Private Quantiles with Smaller Error
本文提出了一种满足差分隐私的近似分位数机制，通过连续计数技术改进了误差界，同时提供了一种放松间隙假设的(ε,δ)-差分隐私机制。
2025-12-12 cs.DS
A Smooth Binary Mechanism for Efficient Private Continual Observation
Basic Algorithms Research Copenhagen（哥本哈根基础算法研究中心）；University of Copenhagen（哥本哈根大学）
本文提出一种平滑二进制机制，以恒定平均时间生成噪声，将私有前缀和发布中的噪声方差降低约4倍，并保证各时间步噪声分布一致，在运行时间上优于现有方法。
2024-01-15 cs.CR cs.DS cs.LG
Private Continual Counting of Unbounded Streams
Department of Computer Sciences University of Wisconsin — Madison（计算机科学系威斯康星大学麦迪逊分校）；Department of Electrical and Computer Engineering University of Wisconsin — Madison（电气与计算机工程系威斯康星大学麦迪逊分校）
本研究提出一种无界流的隐私连续计数算法，通过引入基于对数扰动的矩阵分解，实现平滑误差和更优的方差与空间效率。
2025-12-01 cs.CR cs.DS cs.LG
A Fast Gaussian Mechanism under Continual Observation, with Applications
University of Copenhagen（哥本哈根大学）
针对持续更新场景下的私有向量发布问题，提出一种基于布朗桥的常数时间采样方法，实现高斯噪声的快速生成，并应用于差分隐私计数草图，提升正交范围计数查询和连接大小估计的性能。
2026-06-11 cs.CR cs.DB cs.DS
Machine Unlearning as Private Retroactive Algorithms
Tel Aviv University（特拉维夫大学）；Google Research（谷歌研究）；Georgetown University（乔治城大学）
该研究将机器遗忘转化为私有追溯算法问题，结合追溯性与持续观察下的差分隐私，在不额外增加渐近成本的前提下实现线性统计等任务的隐私性与追溯性，并给出不可能性结果。
2026-09-07 cs.CR cs.DS
The Price of Differential Privacy for Low-Rank Factorization
在本文中，我们研究什么样的价格必须付出释放{ \em差分私有低秩分解矩阵}。我们考虑了接近低秩因式分解在现实世界中应用的各种设置：（i）矩阵更新的方式（逐行或以任意方式），（ii）矩阵是否分布，以及（iii）如何产生输出（在所有更新结束时一次，也称为{ \em单次算法}或连续）。尽管这些设置在没有隐私的情况下得到了很好的研究，但令人惊讶的是，这些设置没有私有算法（除非矩阵逐行更新）。我们提出了第一套差分隐私算法，所有这些设置。当私有矩阵以任意方式更新时，我们的算法承诺差分隐私，相对于两个更强的隐私保证比以前研究的，使用空间和时间{ \em可比}的非私有算法，并实现{ \em最优精度}。为了补充我们的积极成果，我们还证明了我们的算法所需的空间是最佳的对数因子。当数据矩阵分布在多个服务器上时，我们给出了一个非交互的差分隐私算法，其通信代价与维数无关。简单地说，我们给出了算法，产生最优成本。我们还进行了实验，以验证我们所有的算法在实践中表现良好，并优于最好的已知算法，直到现在的大范围的参数。我们给出了实验结果的总近似误差和添加剂的误差为不同的尺寸，$α$和$k$。
2018-04-18 cs.DS
Private Frequency Estimation via Projective Geometry
Apple Inc.（苹果公司）；UC Berkeley（加州大学伯克利分校）；Northeastern University（东北大学）
在这项工作中，我们提出了一个新的算法投影几何响应（PGR）局部差分私人（LDP）频率估计。对于$k$的宇宙大小和$n$用户，我们的$\varepsilon$ -LDP算法在私人硬币设置中具有通信成本$\lceil\log_2k\rceil$位，在公共硬币设置中具有$\varepsilon\log_2 e + O(1)$，并且具有服务器的计算成本$O(n + k\exp(\varepsilon) \log k)$来近似重建频率直方图，同时实现最先进的隐私效用权衡。在实践中使用的许多参数设置中，这是对$ O(n+k^2)$计算成本的显著改进，该计算成本是通过最近的PI-RAPPOR算法实现的（Feldman和Talwar; 2021）。我们的经验评估显示，与PI-RAPPOR相比，速度提高了50倍以上，而实际相关参数设置使用的内存减少了约75倍。此外，我们算法的运行时间在HadamardResponse（Acharya，Sun和Zhang; 2019）和RecursiveHadamardResponse（Chen，Kairouz和Ozgur; 2020）的数量级范围内，这两种算法的重建误差明显更差。我们算法的错误基本上与通信和时间效率低下但效用最优的SubsetSelection（SS）算法（Ye和Barg; 2017）相匹配。我们的新算法是基于使用有限域上的投影平面来定义一个小的集合…
2022-03-01 cs.CR cs.DS cs.LG
Differentially Private Language Generation and Identification in the Limit
Stanford University（斯坦福大学）；Google Research（谷歌研究院）；Yale University（耶鲁大学）
研究在极限下语言生成与识别的差分隐私约束，发现隐私生成无定性代价但有量化成本，而识别在极限下隐私导致根本障碍，区分了对抗与随机设置。
2026-04-09 cs.AI cs.CL cs.DS
Profile Reconstruction from Private Sketches
研究分布式空间受限环境下的差分隐私画像重构问题，利用离散拉普拉斯噪声反转技术加速计算，并证明其误差依赖性渐近最优。
2024-06-03 cs.CR cs.DS
