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
Anonymized Histograms in Intermediate Privacy Models
Google Research（谷歌研究院）
我们研究的问题，私人计算匿名直方图（a.k.a. unattributed histogram），它被定义为没有项目标签的直方图。先前的工作提供了具有$\ell_1$和$\ell_2^2$错误的算法，其中$O_\varepsilon(\sqrt{n})$在差分隐私（DP）的中心模型中存在错误。在这项工作中，我们提供了一个几乎匹配的错误保证$\tilde{O}_\varepsilon(\sqrt{n})$在洗牌DP和泛私人模型的算法。我们的算法非常简单：它只是对离散拉普拉斯噪声直方图进行后处理！使用该算法作为一个子程序，我们显示在私人估计对称属性的分布，如熵，支持覆盖，支持大小的应用。
2022-10-27 cs.CR cs.DS cs.LG
End-to-End Differentially-Private Parameter Tuning in Spatial Histograms
差分隐私直方图已经成为位置隐私的关键工具。虽然过去的机制包括理论和实验分析，但最近观察到，现有文献中的大部分都没有完全提供差分隐私。缺少的组件，私有参数调优，是严格评估这些机制所必需的。相反，它经常调整训练数据来优化参数，而不考虑隐私;在其他情况下，选择是任意执行的，与数据无关，降低了效用。我们解决这个开放的问题，得出一个原则性的调整机制，私下优化数据相关的误差范围。理论结果建立了隐私和实用性，而广泛的实验表明，我们实际上可以实现真正的端到端隐私。
2017-02-18 cs.CR cs.DB
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
Optimizing Histogram Queries under Differential Privacy
差分隐私是一种强大的隐私标准，已成功应用于一系列数据分析任务。尽管最近的工作，回答相关查询的集合的最佳策略是不知道的。我们研究的问题，设计一组策略查询，提交和回答私人，这将支持一个给定的查询工作量的答案。我们提出了一个一般的框架，在该框架中，查询策略是由计数查询的线性组合形成的，我们描述了一种最佳方法，用于从策略查询的答案中获得新的查询答案。使用这个框架，我们的错误的战略几何特征，我们提出了解决问题的最佳策略。
2010-09-06 cs.CR cs.DB
Algorithms for bounding contribution for histogram estimation under user-level privacy
Cornell University（康奈尔大学）；Google Research（谷歌研究院）
研究用户级差分隐私下异构数据的直方图估计问题，提出在有界和无界域设置下选择最佳用户贡献界限的算法，实现近似最优并减少数据丢弃，实验验证了其有效性。
2023-06-30 cs.CR cs.LG
Random Differential Privacy
我们提出了一个宽松的隐私定义称为{ \em随机差分隐私}（RDP）。差分隐私要求向数据库中添加任何新的观察结果对数据发布过程的输出影响很小。随机差分隐私要求将{ \em随机抽取的新观察}添加到数据库将对输出产生很小的影响。我们显示了一个模拟的组成性质的差异私人程序，适用于我们的新定义。我们展示了如何释放RDP直方图，我们表明，RDP直方图比使用普通差分隐私获得的直方图更准确。最后，我们展示了一个模拟的全球敏感性框架下，我们的隐私定义的功能发布。
2011-12-12 cs.CR cs.LG stat.ME
Differentially Private Projected Histograms of Multi-Attribute Data for Classification
在本文中，我们解决的问题，构建一个不同的私人概要的分类分析。几个国家的最先进的方法遵循现有的分类算法的结构，都是迭代的，这是次优的，由于局部最优的选择和过度划分的隐私预算之间的许多顺序组成的步骤。相反，我们提出了一种新的方法，PrivPfC，一种新的差分私有方法，用于发布数据进行分类。其关键思想是使用给定的隐私预算在一个步骤中私下选择底层数据集的最佳分区。给定一个数据集和隐私预算，PrivPfC构建一个候选网格池，其中每个网格的单元数量低于数据感知和隐私预算感知阈值。之后，PrivPfC选择一个最佳的网格，通过指数机制，通过使用一种新的质量函数，最大限度地减少了预期数量的误分类的记录，直方图分类器上构建使用发布的网格。最后，PrivPfC将噪声注入到所选网格的每个单元格中，并将噪声网格作为数据的私有概要发布。如果候选网格池的大小大于数据管理者设置的处理能力阈值，我们在PrivPfC的开头添加一个步骤来私下修剪属性集。我们引入了一个修改后的$χ^2$质量函数具有低灵敏度，并使用它来评估属性的相关性的分类标签变量。通过在真实数据集上的大量实验，我们证明了PrivPfC比最先进的方法的优越性。
2015-04-22 cs.CR
Tight Bounds for Differentially Private Anonymized Histograms
在这篇文章中，我们考虑了差分隐私（DP）计算匿名直方图的问题，匿名直方图被定义为输入数据集（没有桶标签）的计数的多集。在低隐私机制$ε\geq 1$中，我们给出了一个$ε$ -DP算法，其期望$\ell_1$ -误差界为$O(\sqrt{n} / e^ε)$。在高隐私的制度$ε< 1$，我们给了一个$Ω(\sqrt{n \log(1/ε) / ε})$下界的预期$\ell_1$错误。在这两种情况下，我们的边界渐近匹配先前已知的下限/上限[Suresh，NeurIPS 2019]。
2021-11-05 cs.CR cs.DS
The Optimal Mechanism in Differential Privacy: Multidimensional Setting
我们推导出最佳的$ε$ -差分私有机制下的效用最大化（或成本最小化）的$\ell^1$成本函数的框架下的一般二维实值（直方图）查询函数。我们表明，最佳的噪声概率分布有一个相关的多维阶梯形的概率密度函数。与拉普拉斯机制相比，我们发现，在高隐私制度（如$ε\to 0$），拉普拉斯机制是近似最优的;在低隐私制度（如$ε\to +\infty$），最优的成本是$Θ(e^{-\fracε{3}})$，而拉普拉斯机制的成本是$\frac{2Δ}ε$，其中$Δ$是查询函数的敏感度。我们的结论是，收益是更明显的低隐私制度。我们猜想，阶梯机制的最优性适用于任意维度的向量值（直方图）查询函数，并适用于许多其他类别的成本函数。
2013-12-02 cs.CR
Releasing Large-Scale Human Mobility Histograms with Differential Privacy
本文针对谷歌环境洞察探索者发布人类出行聚合统计数据的隐私需求，提出一种结合联邦分析与差分隐私的新机制，在约ε≈2的DP保证下满足严格误差约束，显著优于基线方法，并适用于group-by-sum类工作负载。
2024-07-03 cs.CR cs.DB
Differentially private anonymized histograms
Google Research（谷歌研究院）
对于标签计数对的数据集，匿名直方图是计数的多集。匿名化直方图出现在各种潜在敏感的上下文中，例如密码频率列表，社交网络中的度分布，以及离散分布的对称属性的估计。出于这些应用程序，我们提出了第一个差分隐私机制，以释放匿名直方图，实现接近最佳的隐私效用权衡项目的数量和隐私参数。此外，如果底层直方图以紧凑格式给出，则所提出的算法在项目数量上以次线性的方式运行。对于未知的离散分布生成的匿名直方图，我们表明，发布的直方图可以直接用于估计基本分布的对称属性。
2020-01-13 cs.CR cs.DS cs.IT
Optimal Noise Adding Mechanisms for Approximate Differential Privacy
在效用最大化/代价最小化框架下，研究了$(ε,δ)$ -近似差分隐私算法中整数值查询函数和向量值（类直方图）查询函数的（近）最优机制.我们描述了$ε$和$δ$之间的权衡效用和隐私分析直方图样查询功能（$\ell^1$敏感性），并表明$(ε,δ)$ -差分隐私是一个框架，没有更一般的$(ε,0)$ -差分隐私和$(0,δ)$ -差分隐私的上下文中的$\ell^1$和$\ell^2$成本函数，即，最小预期噪声幅度和噪声功率。在相同的$\ell^1$和$\ell^2$代价函数的情况下，我们证明了均匀噪声机制和离散拉普拉斯机制在高隐私机制（如$(ε,δ) \to (0,0)$）中的近最优性。我们的结论是，在$(ε,δ)$ -差分隐私，最佳的噪声幅度和噪声功率分别是$Θ(\min(\frac{1}ε,\frac{1}δ))$和$Θ(\min(\frac{1}{ε^2},\frac{1}{δ^2}))$，在高隐私制度。
2013-12-19 cs.CR cs.DS
REAEDP: Entropy-Calibrated Differentially Private Data Release with Formal Guarantees and Attack-Based Evaluation
本文提出REAEDP框架，结合熵校准直方图发布、合成数据发布机制和攻击评估，提供形式隐私保证并保持实用性。实验证明其在不同数据集上有效控制隐私风险，支持实用的隐私保护发布流程。
2026-03-14 cs.CR cs.CV
A Locally Differential Private Coding-Assisted Succinct Histogram Protocol
Department of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor, MI 48109, USA（电气工程与计算机科学系，密歇根大学，安阿伯，MI 48109, USA）；Department of Electrical and Computer Engineering, Northeastern University, Boston, MA 02115, USA（电气与计算机工程系，东北大学，波士顿，MA 02115, USA）
本文提出首个基于纠错码（极化码与SCL解码）的实用$(ε,δ)$-LDP简洁直方图协议，通过高斯扰动实现软解码，在低频率项上优于现有方法。
2025-06-21 cs.CR cs.DC cs.LG
Tight Differential Privacy Guarantees for the Shuffle Model with $k$-Randomized Response
本文推导了使用 $k$-随机响应本地随机化器的 shuffle 模型已知最严格的差分隐私保证界，并通过矩阵求逆去噪方法评估直方图查询效用，实验证明在相同隐私水平下 shuffle 模型与中心模型统计效用几乎可比。
2024-04-29 cs.CR
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 Histograms in the Shuffle Model from Fake Users
最近有很多工作在差分隐私的洗牌模型，特别是近似$d$ -bin直方图。虽然这些协议实现了低错误，但每个用户发送的消息数量（消息复杂度）到目前为止已随$d$或隐私参数而缩放。消息复杂度是混洗协议的资源消耗的信息预测器。我们提出了一个协议，其消息的复杂性是2时，有足够多的用户。该协议基本上将数据集中的每一行与一个假行配对，并对所有行执行简单的随机化。我们表明，该协议引入的错误是小的，使用严格的分析，以及对真实世界的数据进行实验。我们还证明，腐败的用户有一个相对较低的影响，我们的协议的估计。
2021-08-05 cs.CR cs.DS
Reversible Data Hiding Based on Two-level HDWT Coefficient Histograms
近年来，可逆数据隐藏技术受到了越来越多的关注。可逆性意味着在提取嵌入的消息后，可以从标记的媒体中恢复原始媒体而不会有任何损失。本文提出了一种新的方法，采用两级小波变换，利用小波系数方差大的特点，达到了高容量和不可感知的目标。与以往的方法不同，本文的方法只对小波系数直方图进行处理，而不对灰度直方图进行处理。此外，在直方图中引入巧妙的移位规则，避免了恢复后像素值的小数问题，实现了直方图的可逆性。在嵌入过程中小波系数的变化很小，因此在标记图像中获得低视觉失真。此外，我们设计的一个重要特点是阈值的使用与以往的研究有很大不同。结果表明，我们的设计是优于许多其他国家的最先进的可逆数据隐藏方案。
2011-02-08 cs.CR
In Differential Privacy, There is Truth: On Vote Leakage in Ensemble Private Learning
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；University of Oxford（牛津大学）
当从敏感数据中学习时，必须注意确保训练算法解决隐私问题。规范的教师集合的私有聚合（PATE）通过投票机制聚合（可能是分布式的）教师模型集合的预测来计算输出标签。该机制添加噪声以获得关于教师的训练数据的差分隐私保证。在这项工作中，我们观察到，这种使用噪声，这使得PATE预测随机，使新形式的泄漏的敏感信息。对于给定的输入，我们的对手利用这种随机性来提取潜在教师提交的投票的高保真直方图。从这些直方图中，对手可以了解输入的敏感属性，如种族，性别或年龄。虽然这种攻击并不直接违反差分隐私保证，但它显然违反了隐私规范和期望，如果不插入噪声以获得差分隐私，则根本不可能。事实上，与直觉相反，当我们添加更多噪声以提供更强的差分隐私时，攻击变得更容易。我们希望这能鼓励未来的工作从整体上考虑隐私，而不是将差分隐私视为灵丹妙药。
2022-09-22 cs.CR cs.LG
The Correlated Gaussian Sparse Histogram Mechanism
Inria, University of Montpellier（法国国家信息与自动化研究所、蒙彼利埃大学）；BARC, University of Copenhagen（哥本哈根大学BARC）
针对差分隐私下极稀疏直方图发布的误差问题，采用相关高斯噪声技术优化稳定性直方图，可降低噪声幅度与阈值，并扩展至无稀疏度界场景，还能提升离散高斯机制性能。
2024-12-13 cs.CR cs.DS cs.LG
The Application of Differential Privacy for Rank Aggregation: Privacy and Accuracy
Princeton University（普林斯顿大学）
隐私泄露的潜在风险阻止用户在社交平台上分享他们的诚实意见。本文讨论了隐私保护的问题，如果查询返回的排名直方图。将差分隐私框架应用于等级聚合。为了实现差分隐私，分析了作为添加噪声的结果的聚合排名的错误概率。上界的出错率的任何位置的排名规则的假设下，配置文件均匀分布。仿真结果验证了概率分析。
2014-09-24 cs.AI cs.CR
Flexible Accuracy for Differential Privacy
差分隐私（DP）已成为隐私保护数据分析的黄金标准。虽然它提供了最严格的隐私概念之一，但在许多情况下，它的适用性有限。我们的主要贡献是用{ \em Flexible Accuracy}增强差分隐私，这允许输入中的小失真（例如，丢弃异常值），从而允许将DP机制扩展到高灵敏度功能。我们提出的机制，可以帮助实现这一概念的功能，以前没有有意义的差异私有机制。特别是，我们说明了一个应用程序的差异私人直方图，这反过来又产生机制，揭示支持的数据集或数据中的极值。我们的结构分析利用新的多功能组成定理，促进模块化设计。所有上述扩展使用我们的新定义框架，这是在“有损Wasserstein距离”-分布的2参数误差测量。这可能是独立的利益。
2021-10-18 cs.CR
Optimal Domain-Aware Privacy Mechanisms for Synthetic Data Generation
Harvard University（哈佛大学）；Trillion Labs（万亿实验室）；Georgia Institute of Technology（佐治亚理工学院）；University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）；Flatiron Institute（平顿研究所）
研究在合成数据生成中如何将公共数据纳入差分隐私机制，提出以归一化直方图为分布估计器，刻画特定类中的渐近最优领域感知隐私机制，引入PubMix机制，实验证明其显著提升合成数据生成质量。
2026-07-21 cs.CR cs.IT math.IT
PrivAgE: A Toolchain for Privacy-Preserving Distributed Aggregation on Edge-Devices
针对边缘设备敏感分布式数据分析的隐私保护需求，提出兼顾设备资源限制、结合安全求和与差分隐私的PrivAgE工具链，经多指标测试验证了其性能与功能扩展性。
2024-04-12 cs.CR
Resilient and Privacy-Preserving Threshold Vehicular Public Key Infrastructure (VPKI)
针对 VPKI 的可扩展性、弹性与隐私问题，提出基于 Schnorr 阈值签名、时间受限假名和区域 CRL 的多 CA 架构，提升安全性、性能与可扩展性。
2023-09-27 cs.CR
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
SD-BLS: Privacy Preserving Selective Disclosure of Verifiable Credentials with Unlinkable Threshold Revocation
针对数字身份系统的隐私保护与发行方腐败防范问题，提出基于二阶椭圆曲线和BLS签名的SD-BLS方案，支持凭证选择性披露、防重放，结合PVSS实现多发行方阈值撤销，且大撤销列表下校验速度极快。
2024-08-16 cs.CR
Privacy Enhancement via Dummy Points in the Shuffle Model
为了解决分布式数据随机化导致局部差分隐私（LDP）系统严重的效用损失问题，最近提出了一种新的洗牌模型，该模型利用洗牌器来切断用户身份与上传给数据分析人员的消息之间的联系。由于需要引入较少的噪声来实现相同的隐私保证，因此遵循该范例，隐私保护数据汇集的效用得到改善。我们提出DUMP（\underline{DUM}我的- \underline{P} oint-based），一个框架，隐私保护直方图估计的洗牌模型。DUMP的核心是一个新的概念\emph{dummy blanket}，它可以通过在用户端引入\textit{points }来增强隐私，并进一步提高洗牌模型的实用性。我们通过提出两个协议：pureDUMP和mixDUMP来实例化DUMP，并进行了全面的实验评估，以与现有的协议进行比较。实验结果表明，在相同的隐私保证下，（1）与现有的多消息协议相比，本文提出的协议在通信效率上有明显的提高，至少提高了3个数量级;（2）它们实现了竞争效用，而唯一已知的协议（Ghazi \textit{et al.}，PMLR 2020）具有比我们更好的效用，采用了难以精确采样的分布，容易受到浮点攻击（CCS 2012）。
2021-07-31 cs.CR
Assessing Utility of Differential Privacy for RCTs
Penn State（宾夕法尼亚州立大学）；Cornell University（康奈尔大学）
本文评估了差分隐私技术在保护RCT数据隐私时的效用，通过模拟研究展示了隐私保护方法对数据分析的影响。
2026-01-20 cs.CR econ.EM stat.AP
Multi-Freq-LDPy: Multiple Frequency Estimation Under Local Differential Privacy in Python
本文介绍了多频-ldpy Python包的多频率估计下的本地差分隐私（LDP）的保证。LDP是实现本地隐私的黄金标准，由Google，Apple和Microsoft等大型科技公司实施。LDP的主要应用是频率（或直方图）估计，其中聚合器估计每个值被报告的次数。所提出的包提供了用于以下项的频率估计的最先进的解决方案和LDP协议的易于使用和快速实现：构建块），多个属性（即，多维数据），多个集合（即，纵向数据）以及多个属性/集合。Multi-freq-ldpy构建在成熟的Numpy包（Python中科学计算的事实标准）和Numba包上，用于快速执行。这些功能的描述和说明在本文中有四个工作的例子。这个包是开源的，可以通过GitHub（https：//github.com/hharcolezi/multi-freq-ldpy）在MIT许可下公开获取，也可以通过PyPI（https：//pypi.org/project/multi-freq-ldpy/）安装。
2022-09-23 cs.CR
PAC-DP: Personalized Adaptive Clipping for Differentially Private Federated Learning
Nanjing University of Post and Telecommunication（南京邮电大学）；Nanjing University（南京大学）
本文提出PAC-DP框架，通过模拟曲线拟合方法实现个性化隐私预算与梯度截断阈值的映射，提升隐私保护与模型性能的平衡，实验显示在相同隐私预算下准确率提升26%，收敛速度加快45.5%。
2026-03-25 cs.CR
Privacy-Preserving Vehicular Announcements Aggregation Scheme Based on Threshold Ring Signature
车载公告是目前车载网络中最有前途的应用，它允许车辆向远处的其他车辆发送有关道路状况的公告信息。由于臭名昭著的sybil攻击，车载公告的可靠性和隐私性的安全要求不容易同时实现。在本文中，我们提出了一种新的隐私保护车辆公告聚合计划。该方案利用消息聚合和交互式门限环签名提供门限认证和灵活的匿名性，允许不确定的不同签名者在不完全可信的环境下共同生成签名。与现有的先攻击后跟踪的方案不同，我们的方案预先防御了sybil攻击。据我们所知，这是第一个隐私保护方案，防止恶意用户提前发动sybil攻击。通过广泛的评估，我们显示的可用性和所提出的方案的效率。
2014-11-13 cs.CR cs.NI
More Flexible Differential Privacy: The Application of Piecewise Mixture Distributions in Query Release
越来越多的人要求向第三方“开放”数据，因为数据共享在数据驱动的决策中有很大的好处。然而，由于收集了各种各样的敏感数据，保护个人、社区和组织的隐私是使数据“开放”的一个重要因素。业界目前采用的公布私人数据的方法往往是临时性的，容易受到一些攻击，包括重新识别攻击，因为它们没有提供足够的隐私保障。虽然差分隐私通过提供严格和可靠的隐私保证吸引了学术界和工业界的极大兴趣，但当前用于数据发布的差异隐私算法的实用性和可验证性降低是其在现实生活中使用的障碍。本文旨在解决这两个挑战。首先，我们提出了一种新的机制，通过融合两个拉普拉斯或几何分布在一起，以增加传统的差分隐私的效用。我们推导出封闭形式的表达式熵，方差的增加噪声，和绝对期望的噪声建议分段混合。然后利用相关分布从理论上证明所提出机制的隐私性和准确性保证。其次，我们表明，我们提出的机制具有更大的灵活性，有三个参数进行调整，提供更好的效用，在边界噪声，并减轻较大的不准确性，相比典型的单参数差分私有机制。然后，我们经验性地评估了分段混合分布的性能与广泛的模拟和现实世界的数据集的线性计数查询和直方图查询。实证结果表明，增加所有考虑的效用措施，同时保持隐私，分段混合机制相比，标准的拉普拉斯或几何机制。
2017-07-18 cs.CR
Privacy-preserving server-supported decryption
针对二选二门限解密中服务器可见密文的隐私问题，提出在通用可组合性模型下的服务器辅助盲目门限解密理想功能，并在随机预言机模型中构造可安全实现该功能的协议。
2024-10-25 cs.CR
THRIVE: Threshold Homomorphic encryption based secure and privacy preserving bIometric VErification system
在本文中，我们提出了一个新的生物特征验证和模板保护系统，我们称之为THRIVE系统。该系统包括新的注册和认证协议的基础上的阈值同态密码系统的私钥之间的用户和验证者共享。在THRIVE系统中，只有加密的二进制生物特征模板存储在数据库中，并且通过同态随机化模板进行验证，因此，在认证阶段不会泄露原始模板。THRIVE系统是针对恶意模型而设计的，其中作弊方可以任意偏离协议规范。由于使用了门限同态加密方案，恶意数据库所有者无法对数据库中用户的加密模板执行解密。因此，使用涉及用户的私钥和生物特征数据的双因素认证方案来增强THRIVE系统的安全性。我们证明了该系统的安全性和隐私保护能力，在基于模拟的模型，没有任何假设。该系统适用于用户不想以简单的形式向验证者透露她的生物特征，但她需要通过使用生物特征来证明她的物理存在的应用。该系统可以与任何生物计量模态和生物计量特征提取方案一起使用，其输出模板可以被二进制化。对于在10 Mbit/s上行/下行链路连接速度下运行四核3.2 GHz CPU的台式PC上的256位biohash向量，所提出的THRIVE系统的总体连接时间估计为平均336 ms。因此，所提出的系统可以有效地用于现实生活中的应用。
2014-09-29 cs.CR
Element Level Differential Privacy: The Right Granularity of Privacy
Stanford University（斯坦福大学）；Apple（苹果公司）
差分隐私（DP）为统计学习应用中用户数据泄露的风险提供了强有力的保证，尽管这些强有力的保护使学习具有挑战性，并且对于某些用例可能过于严格。为了解决这个问题，我们提出了元素级别的差分隐私，它扩展了差分隐私，以提供保护，防止泄漏信息的任何特定的“元素”的用户，允许更好的效用和更强大的结果比经典的DP。通过仔细选择这些“元素”，可以以期望的粒度提供隐私保护。我们提供的定义，相关的隐私保证，并分析，以确定权衡与新的定义，我们还开发了几个私人估计和学习方法，提供仔细的例子，项目频率和M-估计（经验风险最小化）与随之而来的隐私和效用分析。我们通过几个实际应用，估计直方图和拟合几个大规模预测模型（包括深度网络）来补充我们的理论和方法进步。
2019-12-05 cs.CR cs.LG stat.ML
Threshold-Protected Searchable Sharing: Privacy Preserving Aggregated-ANN Search for Collaborative RAG
本文提出阈值保护的可搜索共享方案SP-A$^2$NN，通过可共享位图结构实现HNSW兼容的隐私保护聚合ANN搜索，将搜索复杂度从$O(n^2)$降至$O(n)$，并构建了基于归约的泄漏猜测证明系统以标准化泄漏分析。
2025-07-23 cs.CR
Can Two Walk Together: Privacy Enhancing Methods and Preventing Tracking of Users
我们提出了一个新的问题时，从个人收集的数据，从试图减轻隐私泄漏在多个报告：跟踪用户参与数据汇集通过增加的机制，以提供隐私。受差分隐私框架的启发，我们提出了几种不可跟踪机制的定义。具体来说，我们将可跟踪参数定义为一组报告源自单个用户的概率与同一组报告源自两个用户（具有相同的私有值）的概率之间的最大比率的对数。我们将探讨这一新定义的含义。我们展示了如何差分私人和不可跟踪的机制可以结合起来，以实现一定的用户改变他们的私人价值时，检测问题的界限。检查谷歌的永久隐私部署的解决方案，我们表明，RAPPOR（Erlingsson et al. ACM CCS，2014）是可跟踪的，在我们的框架中的参数在他们的论文。我们分析了一种随机响应的变体，用于收集单个比特的统计数据，Bitwise Everlasting Privacy，它实现了良好的准确性和永久的隐私，同时只有合理的不可跟踪，特别是报告数量线性增长。为了从更大的域收集有关数据的统计信息（对于直方图和重打击者），我们提出了一种机制，可以防止跟踪有限数量的响应。我们还提出了机制链的概念，使用一个机制的输出作为另一个的输入，在差分隐私的范围内，并证明了一个$\varepsilon_1$-LDP机制与$\varepsilon_2$-LDP机制的链接是$\ln\frac{e^{\varepsilon_1+\varepsilon_2}+1}{e^{\…
2020-04-06 cs.CR
How Private Are Commonly-Used Voting Rules?
差分隐私已被广泛应用于通过向函数输出添加随机噪声来提供隐私保证。然而，它不可避免地在许多高风险的投票场景中失败，其中投票规则需要是确定性的。在这项工作中，我们提出了回答这个问题的第一个框架：“如何私人常用的投票规则？“我们的答案是双重的。首先，我们表明，确定性投票规则提供了足够的隐私的意义上的分布式差分隐私（DDP）。我们表明，假设对抗性观察者对个人投票有不确定性，即使公布投票直方图也能实现良好的DDP。其次，我们引入了精确隐私的概念来比较各种常用的投票规则中的隐私保护，并在一个称为广义评分规则的大的投票规则子集内获得了精确DDP的二分法定理。
2021-03-23 cs.CR cs.GT
On the Privacy Properties of Variants on the Sparse Vector Technique
稀疏向量技术是一种强大的差异私有原语，它允许分析人员检查流中的查询是否大于或小于阈值。该技术具有独特的特性-该算法通过向查询和阈值添加具有有限方差的噪声来工作，并保证隐私仅随着（a）流中任何一个查询的最大敏感性和（b）算法输出的肯定答案的数量而降低。最近的工作已经开发出这种算法的变体，我们称之为{ \em广义私有阈值测试}，并声称具有隐私保证，不依赖于该算法输出的肯定或否定答案的数量。这些算法在给定的隐私预算的稀疏向量技术的效用的显着改善，并发现在频繁项集挖掘，机器学习中的特征选择和生成合成数据的应用。在本文中，我们批判性地分析了广义私有阈值测试的隐私特性。我们证明了对于任意有限的ε，广义隐私阈值测试不满足ε-差分隐私.我们确定了一个微妙的错误，这种技术在以前的工作中的隐私分析。此外，我们表明，对手可以使用广义的私人阈值测试，以恢复计数从数据集（特别是小计数）准确地具有高精度，从而可以导致个人被重新识别。我们在真实数据集上实证地展示了我们的攻击。
2015-08-28 cs.CR cs.DB
TPMDP: Threshold Personalized Multi-party Differential Privacy via Optimal Gaussian Mechanism
本文提出阈值个性化多方差分隐私框架TPMDP，通过最优高斯机制和线性规划高效求解，在支持个性化隐私预算和合谋阈值的同时实现低效用损失。
2023-05-30 cs.CR cs.MA
Sub-optimal Learning in Meta-Classifier Attacks: A Study of Membership Inference on Differentially Private Location Aggregates
本文研究差分隐私位置聚合数据上的成员推断攻击，发现MLP元分类器存在次优学习导致隐私风险被低估，提出单阈值和双阈值攻击并证明MLP可编码复杂规则。
2024-12-29 cs.CR
On the (Im)Possibility of Estimating Various Notions of Differential Privacy
本文研究了黑盒场景下推断数据差分隐私保护水平的可能性，证明无分布假设时无法提供可证明保证，但在合理假设下可通过基于直方图的估计器实现保证，且实验表明在Laplace噪声下效果优于理论预期。
2023-05-23 cs.CR
An Architecture for Privacy-Preserving Telemetry Scheme
提出一种基于本地差分隐私和Oblivious HTTP的客户端-服务器遥测聚合架构，通过噪声添加和OHTTP增强隐私保护，实现安全的频率估计与公共数据发布。
2025-07-08 cs.CR cs.SE
Estimating Numerical Distributions under Local Differential Privacy
Purdue University（普渡大学）；Eindhoven University of Technology（埃因霍温理工大学）
局部差分隐私（LDP）在收集信息时，从用户的角度缓解了隐私泄露的担忧，因为用户的隐私信息在发送到聚合器之前是随机的。我们研究的问题，恢复的分布在一个数值域，同时满足LDP。虽然人们可以离散化的数值域，然后应用开发的协议的分类域，我们表明，利用该域的数值性质的结果在更好的权衡隐私和效用。我们引入了一种新的报告机制，称为方波SW机制，它利用了报告中的数值性质。我们还开发了一个期望最大化与平滑（EMS）算法，这是适用于聚集直方图从SW机制，以估计原始分布。大量的实验表明，我们提出的方法，软件与EMS，一贯优于其他方法在各种实用程序的指标。
2019-12-02 cs.CR cs.DB cs.LG
Random Sampling Plus Fake Data: Multidimensional Frequency Estimates With Local Differential Privacy
通过本地差分隐私（LDP），用户可以将其数据私有化，从而在将其传输到服务器之前保证隐私属性（也称为aggregator）。LDP的一个主要目标是频率（或直方图）估计，其中聚合器估计每个可能值的用户数量。在实践中，当需要对人口进行内容丰富的研究时，人们对人口的多个属性感兴趣，也就是说，对多维数据（$d \geq 2$）感兴趣。然而，与单一属性的频率估计问题（大多数作品）相反，多维方面要求特别注意隐私预算。由于合成定理，这个值确实可以非常快地增长。据作者所知，有两种解决方案似乎突出了这项任务：1）为每个属性分配隐私预算，即，用$\fracε{d}$ -LDP（Sp1）发送每个值，以及2）随机采样单个属性并花费所有隐私预算来用$ε$ -LDP（Smp）发送它。虽然SMP增加了额外的采样误差，但它已被证明比以前的Spl解决方案提供更高的数据效用。然而，我们认为，聚合器（谁也被视为攻击者）是知道的采样属性及其LDP值，这是由一个“不太严格”的$e^ε$概率界（而不是$e^{ε/d}$）的保护。通过这种方式，我们提出了一种名为随机采样加假数据（RS+FD）的解决方案，它允许通过为每个非采样属性生成假数据来创建采样属性的不确定性; RS+FD进一步受益于采样放大。我们从理论上和实验上验证了我们提出的解决方案在合成和真实世界的数据集上，以表明RS+FD实现了几乎相同或更好的效用比最先进的Smp解决…
2021-09-15 cs.CR
Decentralized Threshold Signatures with Dynamically Private Accountability
本文提出 DeTAPS，通过结合动态门限公钥加密、非交互零知识证明和密钥聚合可搜索加密，实现去中心化、动态公证且隐私增强的门限签名，并在 SGX2 和以太坊上验证性能。
2023-08-10 cs.CR
TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning
School of Computer Science and Engineering at Beihang University（北京航空航天大学计算机科学与工程学院）；Zhongguancun Laboratory（中关村实验室）；University of Pittsburgh（匹兹堡大学）
针对多去中心化聚合器且存在恶意方的联邦学习场景，本文提出基于门限函数加密的 TAPFed 安全聚合方案，可抵御好奇聚合器推理攻击，并在保持模型质量的同时降低 29%-45% 传输开销。
2025-01-09 cs.AI cs.CR
Distributed LSTM-Learning from Differentially Private Label Proportions
TU Dortmund University（多特蒙德工业大学）
近年来，数据隐私和分散的数据汇集变得越来越流行。为了解决隐私，通信带宽和时空数据学习的问题，我们将提出两种使用差分隐私和分散式LSTM学习的有效模型：一种是学习长短期记忆（LSTM）模型，用于提取局部时间节点约束并将其馈送到密集层（LabelProportionToLocal）。另一种方法通过从邻居获取直方图数据并将信息与LSTM输出（LabelProportionToDense）相结合来扩展第一种方法。为了进行评估，使用了两个流行的数据集：Pems-Bay和METR-LA。此外，我们还提供了一个基于LuST的数据集。评估将显示性能和数据隐私之间的权衡。
2023-01-15 cs.AI cs.CR cs.LG
When Focus Enhances Utility: Target Range LDP Frequency Estimation and Unknown Item Discovery
提出 GCMS 与 OCMS 框架以优化 LDP 频率估计在通信、隐私与精度间的权衡，并利用 ESA 框架与辅助服务器实现未知数据域的收集，在保证本地隐私下达到中心级精度。
2024-12-23 cs.CR cs.DB
Approximate DBSCAN under Differential Privacy
Hong Kong University of Science and Technology（香港科技大学）
本文在差分隐私下重新审视DBSCAN问题，提出基于跨度的DP-DBSCAN定义，设计线性时间算法并实现质量保证，同时验证了算法在合成和真实数据集上的性能。
2025-08-13 cs.CR cs.DB
Estimating the True Distribution of Data Collected with Randomized Response
INRIA Saclay（法国萨克雷国家信息与自动化研究所）；INRIA Grenoble（法国格勒诺布尔国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；Ecole Normale Supérieure de Lyon（里昂高等师范学院）；Suez Canal University（苏伊士运河大学）
本文提出了一种简单公式计算随机响应的精确最大似然估计，并通过实验比较不同估计方法以帮助从业者选择合适的方法。
2026-01-13 cs.CR
Privacy-Preserving Federated Learning from Partial Decryption Verifiable Threshold Multi-Client Functional Encryption
School of Cyber Science and Engineering, Southeast University（安全科学与工程学院，东南大学）；School of Computing and Communications, Lancaster University（计算与通信学院，兰卡斯特大学）
针对联邦学习梯度泄露、现有门限方案缺乏聚合可验证性易遭投毒攻击的问题，本文提出部分解密可验证门限多客户端函数加密方案，构建VTSAFL协议，在保证精度的同时大幅降低训练耗时与通信开销。
2025-11-17 cs.AI cs.CR
