Fully Adaptive Composition for Gaussian Differential Privacy
Boston University（波士顿大学）；Google Research（谷歌研究院）
我们发现，高斯差分隐私，一个变种的差分隐私适合高斯噪声的分析，组成优雅，即使在存在一个完全自适应的分析师。这样的分析师自适应地选择机制（在敏感数据集上运行）及其隐私预算，也就是说，基于来自先前在同一数据集上运行的其他机制的答案。用罗杰斯、罗斯、厄尔曼和瓦丹的话来说，这给出了一个GDP滤波器，其参数与非自适应合成滤波器的参数相同。
2022-10-31 cs.CR cs.LG
Optimal Differential Privacy Composition for Exponential Mechanisms and the Cost of Adaptivity
组合是差分隐私（DP）最重要的属性之一，因为它允许算法设计者从DP原语构建复杂的隐私算法。我们认为精确的组成范围的整体隐私损失指数机制，DP的基本类机制之一。我们给出了明确的配方的最佳隐私损失的自适应和非自适应设置。对于非自适应设置中，每个机制具有相同的隐私参数，我们给出了一个有效的计算公式的最佳隐私损失。此外，我们表明，有一个差异的隐私损失时，指数机制的选择自适应与非自适应。据我们所知，这是以前未知的任何DP机制与固定的隐私参数是否存在这样的差距，我们证明了一个广泛使用的一类机制在自然环境中的差距。然后，我们改进了最好的先前已知的自适应组合指数机制的上限与有效的可计算的配方，并显示改进。
2020-06-24 cs.CR cs.DS
Fully Adaptive Composition in Differential Privacy
Carnegie Mellon University（卡内基梅隆大学）；LinkedIn（领英）
本文研究差分隐私中的完全自适应组合问题，通过利用鞅浓度的进展，构建了匹配先进组合速率的隐私过滤器和通用的隐私里程表，证明了完全自适应隐私几乎无损失即可获得。
2023-10-24 cs.CR cs.DS cs.LG
On the Information Privacy Model: the Group and Composition Privacy
如何以保护数据集中包含其数据的个人隐私的方式查询数据集是一个重要的问题。信息隐私模型是香农信息理论模型的一种变体，通过控制每个对手从查询输出中获得的个人数据的信息量来保护个人的隐私。该模型还假设每个对手对查询数据集的不确定性不是很小，以提高数据的效用。在本文中，我们证明了该模型的组隐私和组合隐私性质的一些结果，其中组隐私保证了一组个体的隐私被保护，而组合隐私保证了多个查询也保护了一个个体的隐私。我们将这两个性质的证明归结为两个信道容量之差的估计。我们的证明大大受益于一些信息理论的工具和方法。
2019-07-22 cs.CR cs.IT math.IT
Composition Properties of Inferential Privacy for Time-Series Data
University of California San Diego（加利福尼亚大学圣迭戈分校）
随着移动设备和物联网的普及，在时间序列应用中开发原则性的隐私解决方案变得越来越重要。虽然差分隐私是数据库隐私的黄金标准，但许多时间序列应用程序需要不同类型的保证，并且许多最近的作品使用某种形式的推理隐私来解决这些情况。然而，在实践中使用推理隐私的一个主要障碍是它缺乏优雅的组合-即使相同或相关的敏感数据在多个单独安全的版本中使用，组合的版本可能具有较差的隐私属性。在本文中，我们研究的一种形式的推理隐私称为河豚时，应用于时间序列数据的组成特性。我们表明，虽然一般河豚机制可能不会优雅地组成，一个特定的河豚机制，称为马尔可夫被子机制，这是最近推出的，具有较强的组成属性，可与纯差分隐私时，应用于时间序列数据。
2017-07-10 cs.CR cs.LG stat.ML
Privacy in Data Service Composition
在现代信息系统中，关于同一个人的不同信息特征通常由可能具有不同隐私策略的自主数据汇集服务来收集和管理。对许多最终用户的合法查询进行认证需要集成来自多个此类服务的数据。然而，数据集成往往受到缺乏可信实体（通常称为中介）的阻碍，服务可以与之共享数据并委托执行其隐私策略。在本文中，我们提出了一个灵活的隐私保护的数据集成方法回答数据集成查询，而不需要一个可信的调解人。在我们的方法中，允许服务在本地执行其隐私政策。中介被认为是不受信任的，只能访问加密信息，以允许它在不同的服务中链接数据主体。服务，凭借一个新的隐私要求，被称为k-Protection，限制隐私泄露，不能推断有关彼此持有的数据的信息。最终用户只能访问经过隐私保护的数据。我们使用一个例子和一个来自医疗应用领域的真实数据集来评估我们的方法。结果是有前途的隐私保护和性能的角度来看。
2020-01-03 cs.CR cs.DB cs.DC
Composition Theorems for f-Differential Privacy
Macquarie University（麦考瑞大学）；UNSW（新南威尔士大学）
本文提出 f 差分隐私与定量信息流通道模型的等价性，并基于此推导出新的通用组合定理，以改进复杂隐私设计的分析。
2025-12-23 cs.CR cs.IT math.IT
Sharp Composition Bounds for Gaussian Differential Privacy via Edgeworth Expansion
Department of Statistics（统计系）；Graduate Group in Applied Mathematics and Computational Science（应用数学与计算科学研究生组）；Department of Biostatistics, Epidemiology and Informatics（生物统计学、流行病学与信息学系）
包含敏感信息的数据集通常由许多算法顺序分析。这就提出了一个基本的问题，在差分隐私的整体隐私约束如何降低下组成。为了解决这个问题，我们引入了一个家庭的分析和尖锐的隐私范围下的组成使用埃奇沃思扩展的框架内最近提出的f-差分隐私。与现有的使用中心极限定理的组合定理相比，我们的新的隐私组合下的边界获得改进的紧密性，利用改进的近似精度的埃奇沃思扩展。我们的方法是很容易实现和计算效率的任何数量的组合物。这些新的界限的优越性，证实了渐近误差分析和应用量化的整体隐私保证的噪声随机梯度下降用于训练私人深神经网络。
2020-03-25 cs.AI cs.CR cs.LG
Parallel Composition for Statistical Privacy
Universität zu Lübeck（吕贝克大学）
本文提出了一种基于子采样和随机划分数据库的隐私机制，首次在不额外限制数据库的情况下，通过考虑分布熵来提升隐私和精度保证。
2026-02-10 cs.CR
Composition for Pufferfish Privacy
Penn State University（宾夕法尼亚州立大学）
针对Pufferfish隐私定义缺乏组合性的问题，提出必要充分条件实现线性组合，通过a(b)-影响曲线将差分隐私机制转化为可组合的Pufferfish算法，在马尔可夫链上显著优于先前工作。
2026-06-07 cs.CR
Composition Theorems for Multiple Differential Privacy Constraints
研究同时满足两个差分隐私约束的机制组合，提出一个能自然推广到任意数量约束的框架，并应用于近似f-差分隐私组合。
2026-04-15 cs.CR cs.IT math.IT
Concurrent Composition for Interactive Differential Privacy with Adaptive Privacy-Loss Parameters
本文研究交互式机制在自适应隐私损失参数下的并发组合，证明非交互式的隐私过滤器和里程计可扩展至交互式并发组合，表明并发性不影响隐私保证，并提供了实际部署实现。
2025-05-29 cs.CR cs.DS cs.IT
Composition in Differential Privacy for General Granularity Notions (Long Version)
针对经典差分隐私组合定理无法适配新型粒度概念等新场景的问题，研究提出通用框架下的独立与自适应组合定理，覆盖多类DP变体及全场景组合，可更精准计算隐私损失。
2024-04-17 cs.CR cs.DS
Privacy accounting $\varepsilon$conomics: Improving differential privacy composition via a posteriori bounds
本文提出输出差分隐私与新组合实验的后验隐私分析方法，在不削弱隐私保障的前提下优化DP组合的隐私-效用权衡，并验证了其在多种DP机制与场景中的适用性。
2023-06-19 cs.CR
Bounding, Concentrating, and Truncating: Unifying Privacy Loss Composition for Data Analytics
LinkedIn（领英）
差分隐私（DP）为个人数据提供严格的隐私保证，同时还允许对整体敏感数据集进行准确的统计。要设计一个私有系统，首先必须设计私有算法，可以量化每个结果的隐私损失。然而，将噪声注入计算的私有算法不足以确保个人数据受到保护，因为许多噪声结果最终集中于真实的非私有化结果。因此，已经有几个作品提供了精确的公式，说明隐私损失如何在与私有算法的多次交互中累积。然而，这些公式要么提供了非常一般的隐私损失的界限，在某些类型的私人算法过于悲观的代价，或者他们可以太窄的范围，适用于一般的隐私系统。在这项工作中，我们统一了现有的隐私损失组合边界的特殊类别的差分隐私（DP）算法，以及一般DP组合边界。特别是，我们提供了强大的隐私损失界限时，分析师可以选择纯DP，有界范围（例如指数机制），或集中DP机制以任何顺序。我们还提供了最佳的隐私损失界限，适用于分析师可以选择纯DP和有界范围的机制在一批，即非自适应。此外，当一个分析师在每个类自适应选择机制，我们表现出不同的，预定的纯DP和有界范围机制之间的差异，隐私损失。最后，我们比较了基于直方图数据集的拉普拉斯和高斯机制的组合边界。
2020-11-17 cs.CR cs.LG
Composition Theorems for Interactive Differential Privacy
交互式机制是一种算法，它存储一个数据集，并回答自适应选择的查询。如果任何对手都不能通过与该机制交互来区分特定个体是否在数据集中，则该机制被称为差异隐私。研究了并发合成中差分隐私的合成特性。在这种设置中，对手与k个交互机制并行交互，并且可以任意交叉对这些机制的查询。此前，Vadhan和Wang [2021]证明了纯差分隐私的最优并发合成定理。我们显着推广和扩展他们的结果。也就是说，我们证明了最佳并行组合性能的几个主要概念的差分隐私在文献中，包括近似DP，Rényi DP，和零集中DP。我们的研究结果表明，对手没有获得任何优势，通过交错查询独立运行的机制。因此，交互性是差分隐私免费授予我们的功能。与我们的工作同时且独立地，Vadhan和Zhang [2022]证明了f-DP的最优并发合成定理[Dong et al.，2022]，这意味着我们的近似DP情况下的结果。
2022-10-14 cs.CR cs.DS cs.IT
Identification, Amplification and Measurement: A bridge to Gaussian Differential Privacy
高斯差分隐私（GDP）是一个单参数的隐私概念，提供一致的保证，以避免暴露的敏感个人信息。尽管GDP组合提供了额外的可解释性和更严格的界限，但许多广泛使用的机制（例如，拉普拉斯机制）本质上提供了GDP保证，但往往未能利用这一新框架，因为它们隐私保证是在不同的背景下得出的。在本文中，我们研究了隐私配置文件的渐近性质，并制定了一个简单的标准来识别算法的GDP性质。我们提出了一种有效的方法GDP算法缩小可能的值的最佳隐私测量，$μ$与任意小的和可量化的误差幅度。对于非GDP算法，我们提供了一个后处理过程，可以放大现有的隐私保证，以满足GDP条件。作为应用，我们比较了两个单参数家庭的隐私概念，$ε$ -DP，和$μ$ -GDP，并表明，所有的$ε$ -DP算法本质上也是GDP。最后，我们表明，我们的测量过程和GDP的组成定理的组合是一个强大的和方便的工具来处理的组成相比，传统的标准和先进的组成定理。
2022-10-17 cs.CR
SDN-based Runtime Security Enforcement Approach for Privacy Preservation of Dynamic Web Service Composition
针对动态Web服务组合的隐私保护问题，提出了一种基于SDN的动态Web服务组合隐私保护运行时安全实施方法。该方法的主要思想是服务组合的所有者利用安全策略模型（SPM）定义服务组合在应用平面上必须遵循的访问控制关系，然后将SPM模型转换为包含SDN数据平面信息的低层安全策略模型（RSPM），并将RSPM模型上传到SDN控制器。在上传之后，集成在SDN控制器中的虚拟机访问控制算法在运行时监控所有针对服务组合的访问请求。只有满足RSPM模型定义的接入请求才能转发到目标终端。任何不符合RSPM模型定义的访问请求将被Openflow交换机自动拦截或被SDN控制器删除，从而有效解决Web服务组合运行时的网络层非法访问、身份窃取攻击和服务泄漏等问题。为了验证该方法的可行性，本文利用POX控制器和Mininet虚拟网络仿真器实现了一个实验系统，并利用该系统对该方法的有效性和性能进行了评估。最后的实验结果表明，该方法是完全有效的，当RSPM模型规模逐渐增大时，该方法总能在可接受的时间内得到正确的计算结果。
2021-05-27 cs.CR
Zecale: Reconciling Privacy and Scalability on Ethereum
在本文中，我们提出了Zecale，一个通用的SNARK证明聚合器，使用递归组合的SNARKs。我们首先介绍SNARKs递归组合的概念，然后介绍Zecale作为隐私保护可扩展性解决方案。然后，我们列出了可以出现并使用Zecale构建的应用程序类型。最后，我们认为这种隐私保护状态转换的可扩展性解决方案对于在区块链系统上模拟“现金”至关重要。
2020-10-16 cs.CR
Computing Differential Privacy Guarantees for Heterogeneous Compositions Using FFT
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）
最近提出的用于使用隐私损失分布形式主义来评估$(\varepsilon,δ)$ -差分隐私保证的基于快速傅立叶变换（FFT）的会计师已经被证明在应用于均匀组合物时比常用的方法（例如Rényi会计师）给出更严格的界限，即，相同机制的组合物。在本文中，我们将这种方法扩展到异构组合物。我们进行了全面的误差分析，允许选择的算法的参数，以便获得所需的精度。分析还扩展了以前的结果，考虑到所有的参数的算法。使用误差分析，我们还根据误差给出了计算复杂性的界，该界类似于Murtagh和Vadhan（2018）给出的界，并且稍微收紧了该界。我们还展示了如何使用Plancherel定理以增加预计算和内存使用为代价来加快对严格隐私保证的评估。
2021-06-21 cs.CR cs.LG stat.ML
Edgeworth Accountant: An Analytical Approach to Differential Privacy Composition
University of Pennsylvania（宾夕法尼亚大学）；Meta Platforms, Inc.（Meta平台公司）
本文提出Edgeworth Accountant方法，通过f-差分隐私框架分析组合隐私损失，利用Edgeworth展开估计隐私保证，提供非渐近的(ε, δ)-差分隐私界，适用于深度学习和联邦分析中的隐私保护。
2026-04-07 cs.CR cs.DS cs.LG
Numerical Composition of Differential Privacy
Microsoft（微软）；University of Washington（华盛顿大学）
我们给出了一个快速算法，以最佳组合的隐私保证差分隐私（DP）算法的任意精度。我们的方法是基于隐私损失随机变量的概念来量化DP算法的隐私损失。我们的算法所需的运行时间和内存来近似的隐私曲线的DP算法与自身$k$倍组成的是$\tilde{O}(\sqrt{k})$。这改进了Kopia等人（2020）的最佳现有方法，该方法需要$\tildeΩ(k^{1.5})$运行时间。我们通过准确计算Abadi et al.（2016）的DP-SGD算法的隐私损失来证明我们算法的实用性，并表明我们的算法与之前的工作相比将隐私计算速度提高了几个数量级，同时保持了类似的准确性。
2021-10-26 cs.CR cs.DS cs.LG
The Composition Theorem for Differential Privacy
差分隐私机制的顺序查询降低了整体隐私级别。在本文中，我们回答的基本问题的特征的整体隐私退化的水平作为查询的数量和每个私有化机制所保持的隐私级别的函数。我们的解决方案是完整的：我们证明了一个上界的整体隐私水平，并构建了一个序列的私有化机制，实现这一界限。关键的创新是引入了对差分隐私的操作解释（涉及假设检验）和使用新的数据处理不等式。我们的结果改善了国家的最先进的，并立即应用在文献中研究的几个问题，包括差分私人多方计算。
2015-12-06 cs.CR cs.DS cs.IT
Avoiding Pitfalls for Privacy Accounting of Subsampled Mechanisms under Composition
Inria（法国国家信息与自动化研究所）；University of Montpellier（蒙彼利埃大学）；University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）；Google DeepMind（谷歌DeepMind）
本文纠正了子采样差分隐私机制组合核算中的两个常见误区：证明最坏情况数据集自组合不能决定组合隐私保证，并揭示泊松子采样与无放回采样在隐私保证上可能差异显著，例如前者ε≈1而后者ε>10。
2025-04-08 cs.CR cs.DS cs.LG
When Does Quantum Differential Privacy Compose?
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究了量子差分隐私的组合问题，发现经典方法在量子场景中失效，提出基于矩会计的新框架以实现有效的组合保证。
2026-08-12 cs.CR cs.IT math.IT
Concurrent Composition Theorems for Differential Privacy
我们研究了并发组合特性的交互式差分私有机制，对手可以任意交错查询不同的机制。我们证明了所有的非交互式差分隐私机制的组合定理扩展到并发的交互式差分隐私机制的组合，每当差分隐私测量使用的假设检验框架的$f$ -DP，捕获标准的$(\eps,δ)$ -DP作为一个特殊情况。我们证明了并发组合定理，表明每个交互式$f$ -DP机制可以模拟的非交互式$f$-DP机制的交互式后处理。Lyu~ \cite{lyu2022composition}在并行和独立工作中证明了$(\eps,δ)$ -DP的一个类似结果，以及Rényi DP的一个并行合成定理.我们还提供了一个简单的证明吕的并发复合定理的Rényi DP。Lyu将一般情况下的$f$ -DP作为一个开放的问题，我们在本文中解决。
2023-03-30 cs.CR cs.DS cs.IT
A Parallel Region-Adaptive Differential Privacy Framework for Image Pixelization
Shanghai Jiao Tong University（上海交通大学）
本文提出一种并行区域自适应差分隐私像素化框架，通过GPU并行和轻量级存储方案在保证隐私的同时提升实时效率，并在多个数据集上验证了其隐私-效用权衡与防身份推断效果。
2025-11-06 cs.CR
Composition Properties of Bayesian Differential Privacy
差分隐私是一种严格的隐私标准，已应用于一系列数据分析任务。为了拓宽差分隐私在数据记录具有依赖性时的应用场景，最近提出了贝叶斯差分隐私的概念。然而，贝叶斯差分隐私是否保留了差分隐私的三个优良特性：顺序可组合性、并行可组合性和后处理性，这是未知的。在本文中，我们对这个问题提供了肯定的答案;即，贝叶斯差分隐私仍然具有这些属性。顺序可组合性背后的思想是，如果我们有$m$算法$Y_1, Y_2, \ldots, Y_m$，其中$Y_{\ell}$是${\ell}=1,2,\ldots,m$的独立的$ε_{\ell}$ -贝叶斯差分私有，然后通过将$Y_1$的结果馈送到$Y_2$，将$Y_2$的结果馈送到$Y_3$，等等，我们最终将有一个$\sum_{\ell=1}^m ε_{\ell}$ -贝叶斯差分私有算法。对于并行可组合性，我们考虑的情况下，数据库被划分为$m$不相交的子集。第$\ell$子集被输入到用于${\ell}=1,2,\ldots,m$的贝叶斯差分私有算法$Y_{\ell}$。然后$Y_1$、$Y_2$、$\ldots$、$Y_m$的并行组合将是$\max_{\ell=1}^m ε_{\ell}$ -贝叶斯差分私有。后处理属性意味着数据分析师在没有关于私有数据库的额外知识的情况下，不能计算贝叶斯差分私有算法的输出的函数，并降低其隐私保证。
2019-11-02 cs.CR cs.CY
Composing security protocols: from confidentiality to privacy
安全协议在我们的许多日常生活应用中使用，我们的隐私在很大程度上取决于它们的设计。形式化验证技术已经证明了它们对分析这些协议的有用性，但是它们变得如此复杂，以至于必须开发模块化技术。我们提出了几个结果，安全地组成安全协议。我们认为任意原语建模使用方程理论，和一个丰富的进程代数接近所应用的π演算。依靠这些组合的结果，我们能够得到一些安全属性的协议，从每个子协议单独进行的安全分析。我们考虑并行组合和密钥交换协议的情况。我们的研究结果适用于处理机密性，但也隐私型的属性（如匿名性，不可链接性）表示使用的概念等价。我们说明了我们的组合结果的有用性，从3G手机应用程序和电子护照的协议。
2014-10-20 cs.CR
Cactus Mechanisms: Optimal Differential Privacy Mechanisms in the Large-Composition Regime
Arizona State University（亚利桑那州立大学）；Harvard University（哈佛大学）；McMaster University（麦克马斯特大学）
大多数差分隐私机制被应用（即，在敏感的数据上多次。本文研究了在组合数较多的情况下最优差分隐私机制的设计问题。由于大数定律，在这种制度下，最好的隐私机制是最小化给定两个不同输入的机制的条件输出分布之间的Kullback-Leibler分歧的机制。我们制定了一个优化问题，以尽量减少这种分歧的噪声成本约束。我们首先证明了添加剂机制是最优的。由于优化问题是无限维的，它不能直接解决，然而，我们将这个问题，以获得接近最佳的添加剂机制，我们称之为“仙人掌机制”，由于它们的形状。我们表明，我们的量化方法可以任意接近最佳机制。令人惊讶的是，对于二次成本，高斯机制与仙人掌机制相比是严格次优的。最后，我们提供的数值结果表明，仙人掌机制优于高斯机制的有限数量的组合物。
2022-06-25 cs.CR cs.IT cs.LG
A Parallel Privacy-Preserving Shortest Path Protocol from a Path Algebra Problem
在无向图中，我们提出了一个单源最短距离（SSSD）的安全多方计算（SMC）协议，其中边的位置是公开的，但它们的长度是私有的。该协议工作在图的分隔树之上的算术黑盒（ABB）模型中，如果图的子图具有小分隔符，则实现良好的时间复杂度（例如平面图的情况）;可实现的并行性明显高于在ABB上实现的经典SSSD算法。我们在ShareminMPC平台上实现我们的协议，并在不同的网络环境中执行广泛的基准测试。我们比较我们的算法与经典算法-隐私保护贝尔曼-福特算法（与公共边缘）的基线。
2022-07-16 cs.CR
Actual Knowledge Gain as Privacy Loss in Local Privacy Accounting
本文推导出实际知识增益的最小上限（即已实现隐私损失）以弥补LDP保证的过高估计，并引入贝叶斯隐私过滤器实现全自适应组合下更高效的隐私核算与预算利用。
2025-04-30 cs.CR
On Improving the Composition Privacy Loss in Differential Privacy for Fixed Estimation Error
针对数据异构场景下数据集不相交子集统计量的隐私发布问题，提出一种基于抑制用户贡献的迭代算法，在固定最坏估计误差下有效降低了标准Laplace机制的组合隐私损失退化。
2025-03-25 cs.CR cs.IT math.IT
Tight Accounting in the Shuffle Model of Differential Privacy
Nokia Bell Labs（诺基亚贝尔实验室）；Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）
差分隐私的Shuffle模型是一种基于局部隐私机制和安全Shuffler相结合的分布式隐私模型。已经表明，由洗牌器提供的额外随机化与纯本地机制相比提高了隐私界限。然而，会计紧边界由于洗牌带来的复杂性而变得复杂。最近提出的数值技术，用于评估$(\varepsilon,δ)$ -差分隐私保证已被证明比常用的各种复杂机制的组合物的方法给出更严格的界限。在本文中，我们展示了如何使用Feldman等人（2021）的分析获得一般$\varepsilon$ -LDP混洗器的自适应组合的准确界，以及如何使用Balle等人（2019）的分析获得$k$ -随机响应机制的混洗器的自适应组合的紧界。我们将展示如何加快评估所产生的隐私损失分布从$\mathcal{O}(n^2)$到$\mathcal{O}(n)$，其中$n$是用户的数量，而不会产生明显的变化$δ(\varepsilon)$上限。我们还证明了现有的界限和方法在文献中发现的松散，改善以前的组合物的结果显着。
2022-01-31 cs.CR cs.LG stat.ML
Preserving Privacy in Software Composition Analysis: A Study of Technical Solutions and Enhancements
针对软件成分分析（SCA）需上传源代码至远程服务器导致的隐私问题，首次分析其隐私需求并提出技术方案全景图，优化基于多方计算（MPC）的框架，将开销从184倍降至8.5%且不损失隐私与准确性。
2024-12-01 cs.CR cs.SE
On the Renyi Differential Privacy of the Shuffle Model
本文研究的中心问题是随机隐私模型中一般离散局部机制的Renyi差分隐私（RDP）保证。在混洗模型中，每个$n$客户端使用本地差异私有（LDP）机制随机化其响应，并且不可信服务器仅接收客户端响应的随机排列（混洗），而不与每个客户端关联。本文的主要结果是第一个非平凡的RDP保证一般离散局部随机化机制在洗牌隐私模型，我们开发了新的分析技术，得出我们的结果可能是独立的利益。在应用程序中，这样的RDP保证在我们使用它来组成几个私有交互时最有用。我们数值证明，对于重要的制度，与组合我们的边界产生的$8\times$的一个因素，在最先进的近似差分隐私（DP）保证（与标准组成）洗牌模型的隐私保证的改善。此外，结合泊松子采样，我们的结果导致至少$10\times$改进与标准组合的子采样近似DP。
2021-05-11 cs.CR cs.LG
Practical Differentially Private Top-$k$ Selection with Pay-what-you-get Composition
我们研究了在用户级差分隐私的大域上的顶级$k$选择问题。通常，指数机制或报告噪声最大值是用于解决此问题的算法。然而，这些算法需要查询数据库以获得每个域元素的计数。我们专注于设置数据域是未知的，这是不同的设置频繁项集的一个先验类型的算法可以帮助修剪域元素的空间查询。我们设计的算法，确保（近似）$(ε,δ>0)$ -差分隐私，只需要访问真正的顶部$\bar{k}$元素的数据为任何选择的$\bar{k} \geq k$。这是使差分隐私实用的非常期望的特征，因为算法不需要域的知识。我们既考虑了用户的数据可以将任意数量的计数修改至多1的设置，即不受限制的灵敏度，也考虑了用户的数据可以将某个小的固定数量的计数修改至多1的设置，即受限制的灵敏度。此外，我们还提供了一个为我们的算法绑定的付费隐私组合。也就是说，我们的算法在查询顶部$k$元素时可能返回少于$k$的元素，但总体隐私预算仅随结果集的大小而减少。
2019-09-18 cs.CR
Proving Differential Privacy via Probabilistic Couplings
在本文中，我们开发的组合方法正式验证差分隐私的算法，其分析超出了组合定理。我们的方法是基于观察，差分隐私有很深的联系与概率耦合，一个既定的数学工具推理随机过程的推广。即使合成定理没有帮助，我们也可以通过耦合论证来证明隐私。我们证明了我们的方法上的两个算法：指数机制和阈值以上的算法，著名的稀疏向量算法的关键组成部分。我们验证这些例子中的关系程序逻辑apRHL+，它可以构建近似耦合。这种逻辑扩展了现有的apRHL逻辑与更一般的规则拉普拉斯机制和单边拉普拉斯机制，和新的结构规则，使点式推理隐私;所有的规则的灵感与耦合的连接。虽然我们的论文是从形式化验证的角度来看，我们认为，其主要的见解是独立的利益的差分隐私社区。
2021-03-14 cs.CR cs.DS cs.LO
Adaptive Privacy Composition for Accuracy-first Mechanisms
LinkedIn（领英）；Cornell University（康奈尔大学）；Carnegie Mellon University（卡内基梅隆大学）
针对精度优先降噪机制缺乏组合理论的问题，本文提出可在差分隐私与事后隐私机制间自适应切换的隐私过滤器，以跟踪累积隐私损失并保证总体差分隐私。
2023-12-05 cs.CR cs.DS cs.LG
Gaussian Differential Privacy
University of Pennsylvania（宾夕法尼亚大学）
差分隐私在过去十年中作为数据隐私的严格和实用的形式化已经取得了显着的成功。然而，这种隐私定义及其基于分歧的放松，有几个公认的弱点，无论是在处理组成的私人算法，或在分析重要的原语，如隐私放大子采样。受隐私权假设检验公式的启发，本文提出了一种新的隐私权松弛方法，我们称之为“$f$ -差分隐私”（$f$ -DP）.这种隐私的概念具有许多吸引人的特性，特别是避免了与基于发散的松弛相关联的困难。首先，$f$ -DP保留了假设检验解释。此外，$f$ -DP允许以代数方式进行关于组合的无损推理。此外，我们提供了一个强大的技术，进口现有的结果证明了原始DP的$f$ -DP，并作为一个应用程序，获得一个简单的子采样定理$f$ -DP。除了上述发现，我们引入了一个规范的单参数家庭的隐私概念内的$f$类，被称为“高斯差分隐私”（GDP），定义基于测试两个移位高斯。GDP是焦点之间的$f$ -DP类，因为我们证明了一个中心极限定理。更确切地说，基于隐私定义（包括原始DP）的\emph{any}假设检验的隐私保证在组合下的极限中收敛于GDP。CLT还产生了一个计算成本低廉的工具，用于分析私有算法的确切组成。综上所述，这些有吸引力的属性使$f$ -DP成为一个数学上一致的、分析上易处理的、多功能的私有数据分析框架。最后，我们展示了我们开发的工具的使用，通过提供一个改进的隐私分析嘈杂的随机梯度下降。
2019-05-30 cs.CR cs.DS cs.LG
Skeptic: Automatic, Justified and Privacy-Preserving Password Composition Policy Selection
提出Skeptic工具，基于真实密码数据构建概率分布并模拟用户重选行为，自动选择均匀性最优的密码组合策略，无需访问原始数据即可论证选择，并验证了与实证研究的一致性。
2024-03-15 cs.CR
Differentially Private Learning Needs Hidden State (Or Much Faster Convergence)
National University of Singapore（新加坡国立大学）
先前的工作差分隐私分析的随机SGD算法依赖于组成定理，其中隐含的（不切实际的）假设是，内部状态的迭代算法被透露给对手。因此，通过这种基于成分的分析导出的Rényi DP界限随着训练时期的数量线性增长。当算法的内部状态是隐藏的，我们证明了一个收敛的隐私界噪声随机梯度下降（强凸光滑损失函数）。我们展示了如何通过子采样和随机后处理来利用隐私放大，并证明了“洗牌和分区”和“无替换采样”随机小批量梯度下降方案的隐私界动态性。我们证明了，在这些设置中，我们的隐私边界以指数速度收敛，并且大大小于组合边界，特别是在几个训练时期之后。因此，除非DP算法收敛快，我们的隐私分析表明，隐藏状态分析可以显着放大差分隐私。
2022-10-17 cs.CR cs.LG stat.ML
Optimal Accounting of Differential Privacy via Characteristic Function
UC Santa Barbara（加州大学圣巴巴拉分校）；Northwestern University（西北大学）
表征组合物的隐私退化，即，隐私计费是差分隐私（DP）中的基本主题，其具有差异私有机器学习和联邦学习的许多应用。我们提出了一个统一的最新进展（仁义DP，隐私配置文件，$f$ -DP和PLD形式主义）通过\emph{characteristic function}（$ϕ$ -功能）的某个\emph{dominating}隐私损失随机变量。我们表明，我们的方法允许\emph{natural}自适应组合像Renyi DP，提供\emph{exactly tight}隐私会计像PLD，并可以（通常\emph{losslessly}）转换为隐私配置文件和$f$ -DP，从而提供$(ε,δ)$ -DP保证和可解释的权衡功能。在数学上，我们提出了一个\emph{analytical Fourier accountant}，它象征性地表示$ϕ$ -函数的\emph{complex}对数，并使用高斯求积进行数值计算。在几个流行的DP机制和他们的子采样对应，我们证明了我们的方法在理论和实验上的灵活性和紧密性。
2022-05-31 cs.CR cs.LG
Differential Privacy at Risk: Bridging Randomness and Privacy Budget
École Normale Supérieure（巴黎高等师范学院）；Chalmers University of Technology（查尔姆斯理工大学）；National University of Singapore（新加坡国立大学）
隐私保护机制的噪声校准取决于查询的敏感性和规定的隐私级别。数据管理员必须对隐私级别做出重要的选择，以平衡用户的需求和业务实体的资金限制。我们分析角色的随机性的来源，即显式随机性引起的噪声分布和隐式随机性引起的数据生成分布，参与设计的隐私保护机制。更精细的分析使我们能够提供更强有力的隐私保证，并具有可量化的风险。因此，我们提出的隐私风险，这是一个概率校准的隐私保护机制。我们提供了一个组合定理，利用隐私的风险。我们实例化的概率校准拉普拉斯机制提供分析结果。我们还提出了一个成本模型，该模型可以弥合隐私级别与GDPR合规商业实体估计的补偿预算之间的差距。所提出的成本模型的凸性导致隐私级别的独特微调，最大限度地减少补偿预算。我们展示了它的有效性，说明了一个现实的情况下，避免高估的补偿预算使用隐私风险的拉普拉斯机制。我们定量地表明，组合使用成本最优的隐私风险提供了更强的隐私保证比经典的先进的组合。
2020-04-13 cs.CR cs.DS cs.LG
Renyi Differential Privacy
我们提出了一个自然放松的差分隐私的基础上Renyi分歧。密切相关的概念出现在最近的几篇论文中，这些论文分析了差异私有机制的组成。我们认为，有用的分析工具，可以用来作为一个隐私的定义，compensately和准确地表示保证的尾巴上的隐私损失。我们证明了新的定义与标准定义的差分隐私共享许多重要的属性，同时还允许更严格的分析复合异构机制。
2017-08-25 cs.CR
Mining Privacy-Preserving Association Rules based on Parallel Processing in Cloud Computing
针对云计算中分布式事务的隐私保护关联规则挖掘问题，提出双重加密、Transaction Splitter 与定制化 apriori 并行方案，以提升隐私、数据效用和效率。
2023-04-21 cs.CR
Local Differential Privacy for Belief Functions
在本文中，我们提出了两个新的局部差分隐私的信念函数的定义。一个是基于Shafer的语义的随机编码的消息和其他不精确的概率的角度来看。我们表明，这些基本属性的组合物和后处理也适用于我们的新定义。此外，我们为这些定义提供了一个假设检验框架，并研究了离散分布估计中“不知道”在隐私和效用之间权衡的影响。
2022-02-17 cs.CR
f-Differential Privacy Filters: Validity and Approximate Solutions
University of Helsinki（赫尔辛基大学）；Nokia Bell Labs（诺基亚贝尔实验室）；CISPA Helmholtz Center for Information Security（CISPA 亥姆霍兹信息安全中心）
本文研究了在完全自适应组合下，$f$-差分隐私过滤器的有效性问题，提出近似解并证明了其在渐近情况下优于RDP方法。
2026-11-10 cs.CR
Rao Differential Privacy
Department of Mathematics and Statistics University of Massachusetts Amherst（数学与统计学系 马萨诸塞大学阿默斯特分校）
本文从信息几何视角出发，提出基于Rao距离的Rao差分隐私定义，该定义保留传统差分隐私的解释，同时改进了序列组合性能。
2025-08-23 cs.CR cs.IT cs.LG
Differential Privacy for Relational Algebra: Improving the Sensitivity Bounds via Constraint Systems
差分隐私是隐私保护数据分析中的一种现代方法，用于控制通过查询数据库可以推断出的关于个人的信息量。最常见的技术是基于概率噪声的引入，通常定义为查询敏感度的拉普拉斯参数。为了最大化查询的效用，尽可能精确地估计敏感度是至关重要的。在本文中，我们认为关系代数，在关系数据库查询的经典语言，我们提出了一种方法，计算的灵敏度上的查询在一个直观的组合方式。我们使用基于约束的技术来积累查询的各个组件所提供的属性的可能值的信息，从而可以计算灵敏度的严格界限。
2012-07-04 cs.CR cs.DB
A Randomized Approach for Tight Privacy Accounting
Princeton University（普林斯顿大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出差分隐私新范式EVR，通过Monte Carlo技术构建随机化隐私验证器和DP accountant，将隐私参数估计转化为严格上界保证，提升了隐私保护机器学习的效用-隐私权衡。
2023-11-21 cs.CR cs.DS cs.LG
The Role of Interactivity in Local Differential Privacy
University of Pennsylvania（宾夕法尼亚大学）
我们研究了局部差分隐私中的交互能力。首先，我们专注于完全交互式和顺序交互式协议之间的差异。顺序交互式协议可以按顺序自适应地查询用户，但不能返回到先前查询的用户。绝大多数现有的本地差分隐私的下限仅适用于顺序交互式协议，在本文之前，不知道是否完全交互式协议更强大。我们解决这个问题。首先，我们分类本地私有协议的组合性，乘法因子$k \geq 1$的协议的单轮隐私参数的总和超过其整体的隐私保证。然后，我们将展示如何有效地将任何完全交互式$k$组合协议转换为一个等价的顺序交互式协议与$O(k)$爆破样本的复杂性。接下来，我们表明，我们的减少是紧密的，表现出一系列的问题，这样对于任何$k$，有一个完全交互式的$k$ -组成协议，解决了这个问题，而没有顺序交互式协议可以解决这个问题，至少有一个$\tilde Ω(k)$因素更多的例子。然后，我们将注意力转向假设检验问题。我们发现，对于一个大类的复合假设检验问题-其中包括所有简单的假设检验问题作为一个特殊情况-一个简单的noninteractive测试是最佳的类中的所有（可能完全互动）的测试。
2019-11-08 cs.CR cs.LG stat.ML
Faster Privacy Accounting via Evolving Discretization
Google Research（谷歌研究院）
提出了一种新的隐私随机变量数值合成算法，可用于计算机构合成中的精确差分隐私参数。我们的算法实现了运行时间和内存使用的$\mathrm{polylog}(k)$的任务，自我组成的机制，从一个广泛的机制类，$k$倍;这一类，例如，包括亚采样高斯机制，该机制出现在差分私有随机梯度下降的分析中。相比之下，Gopi等人最近的工作（NeurIPS 2021）已经获得了相同任务的运行时间$\widetilde{O}(\sqrt{k})$。我们的方法扩展到组成$k$不同的机制在同一个类的情况下，改善他们的运行时间和内存使用从$\widetilde{O}(k^{1.5})$到$\widetilde{O}(k)$。
2022-07-10 cs.CR cs.DS cs.LG
Interpreting Differential Privacy in Terms of Disclosure Risk
本文揭示了差分隐私与统计披露风险度量之间的新关系，为专家和非专家提供了隐私保证解释、组合定理理解、隐私参数选择及敌手先验概率识别的有效工具。
2025-07-13 cs.CR
