Authenticated Private Set Intersection: A Merkle Tree-Based Approach for Enhancing Data Integrity
School of Mathematics, Renmin University of China(中国人民大学数学学院);Institute of Mathematics, Henan Academy of Science(河南省科学院数学研究所);Great Bay Institute for Advanced Study, Mathematics and Information Security Research Center(大湾区高等研究院数学与信息安全研究中心)
针对 PSI 协议的数据完整性漏洞,本文定义 PSI 完整性并将 Merkle 树融入 volePSI 与 mPSI,提出两种认证型方案并实现评估。
2025-09-30 cs.CR
Improved Secure Efficient Delegated Private Set Intersection
私有集合交集(PSI)是一种重要的密码技术,用于安全地计算不同集合的公共数据。在PSI协议中,通常双方都希望找到他们共同的集合元素,而不需要公开他们不常见的集合元素。近年来,云在PSI协议中发挥了重要作用,这些协议通常需要巨大的计算任务。2017年,Abadi等人引入了一种名为EO-PSI的方案,该方案使用云来传递主要计算,并且不包括任何公钥操作。在EO-PSI中,各方需要事先建立安全信道;否则,攻击者可以很容易地窃听诚实方之间的通信并发现隐私信息。本文提出了一种改进的EO-PSI方案,该方案在保密性和复杂度方面都优于以前的方案。通过提供对现有方案的可能攻击,我们证明了在各方之间使用安全信道的必要性。此外,我们提出的协议是安全的被动攻击,而不必有任何安全信道。我们测量的协议的开销,并表明,计算复杂性大大降低,也是公平的相比,以前的计划。
2021-01-28 cs.CR
Fast and Fuzzy Private Set Intersection
私有集合交集(PSI)通常被实现为成对用户之间的加密轮序列,而本工作以更简单的方式实现PSI:每个集合只需要加密一次,之后每对用户只需要一个普通的集合比较。这通常比普通PSI快几个数量级,代价是匹配中的一些“延迟”,尽管如此,这可能是可容忍的,甚至是期望的。这在集合由用WordNet处理的英语单词组成的情况下得到了证明。
2014-05-21 cs.CL cs.CR
Mistakes of A Popular Protocol Calculating Private Set Intersection and Union Cardinality and Its Corrections
2012年,De Cristofaro等人提出了一个计算私有集交集和并集基数(PSI-CA和PSU-CA)的协议。该协议的安全性基于著名的DDH假设。自其发表以来,由于其高效性(计算和通信的线性复杂度)和简洁性,它已经获得了大量的流行。到目前为止,它仍然被认为是最有效的PSI-CA协议之一,也是基于Google Scholar搜索的引用最多(超过170次引用)的PSI-CA论文。然而,当我们试图实现这个协议,我们不能得到正确的结果的测试数据。由于原始论文缺乏实验结果来验证协议的正确性,我们深入研究了协议,发现它犯了一个根本性的错误。不用说,它的正确性分析和安全性证明也是错误的。本文将指出PSI-CA协议的错误,并给出该协议的正确版本以及在此基础上发展的PSI协议。给出了一个新的安全性证明,并给出了修正后协议的一些实验结果.
2022-07-27 cs.CR
Communication Efficient Multiparty Private Set Intersection from Multi-Point Sequential OPRF
针对现有MPSI协议中星型拓扑领导者负载高和网状拓扑通信开销大的问题,提出多点序列不经意伪随机函数(MP-SOPRF),并基于此构建了半诚实安全的环型拓扑MPSI协议,实验证明其显著降低了通信与计算开销。
2025-05-31 cs.CR
Asymmetric Private Set Intersection with Applications to Contact Tracing and Private Vertical Federated Machine Learning
Morfix;OpenMined;École Supérieure en Informatique, Sidi Bel Abbès(西迪贝勒阿巴斯高等计算机学院);Bitdefender(比特梵德);Edinburgh Napier University(爱丁堡龙比亚大学);apheris AI;University of California Los Angeles(加利福尼亚大学洛杉矶分校);Humboldt-Universität zu Berlin(柏林洪堡大学);Tessella
我们提出了一个多语言,跨平台,开源的非对称私有集交集(PSI)和PSI-Cardinality(PSI-C)库。我们的协议结合了传统的基于DDH的PSI和PSI-C协议与基于Bloom过滤器的压缩,有助于减少非对称设置中的通信。目前,我们的库支持C++,C,Go,WebAssembly,JavaScript,Python和Rust,并在传统硬件(x86)和浏览器目标上运行。我们进一步将我们的库应用于两个用例:(i)与现有方法兼容的隐私保护联系人跟踪协议,但提高了它们的隐私保证,以及(ii)垂直分区数据上的隐私保护机器学习。
2020-11-18 cs.CR cs.LG
Semantically Secure Private Set Intersection over Outsourced Multi-Owner Secret-Shared Databases
私有集合交集(PSI)的目的是让用户在不泄露其他成员信息的情况下,找出用户之间共同共享的项目。最近在数据库社区中提出的PSI方法是Prism,它建立在秘密共享和多个非合谋服务器可用的假设之上。Prism的一个局限性在于其语义安全性:服务器上的编码是确定性的,这意味着该方案在选择明文攻击(IND-CPA)下无法区分。本文通过两个正交原语,即Kaleido-RND和Kaleido-AES,对Prism的PSI方案进行了扩展:前者在随机编码下具有高效的性能,后者在CPA攻击下具有可证明的安全性,但计算开销较大。在一个34节点的SQLite实例集群上实现并部署了一个系统原型。在TPC-H基准测试和三个实际应用中的大量实验证实了所提出的Kaleido原语的有效性。
2023-03-13 cs.CR cs.DB
Advancement on Security Applications of Private Intersection Sum Protocol
本文提出对私有连接与计算(PJC)协议的多种扩展,包括列聚合、RLWE同态加密、证书双向认证及服务网站,并开发了名为JingBing的选民名单验证概念验证系统。
2023-08-28 cs.CR cs.NI
An Improved Quantum Private Set Intersection Protocol Based on Hadamard Gates
针对 Liu-Yin 量子保密集合交集协议存在内部信息泄露的问题,提出基于 Hadamard 门和额外编码量子比特的改进协议,并证明其正确且能抵抗内外部攻击。
2023-10-01 cs.CR cs.ET quant-ph
PhotoSafer: Content-Based and Context-Aware Private Photo Protection for Smartphones
如今,许多人将照片存储在智能手机中。许多照片包含敏感的私人信息,如驾驶执照和信用卡的复印件。一个引起关注的隐私问题是安装的应用程序未经授权访问这些私人照片。粗粒度的访问控制系统(如Android权限系统)提供对存储在智能手机上的照片的全有或全无访问,用户不知道已安装应用程序的确切行为。我们的分析发现,在一个流行的Android应用程序商店中,前200个免费应用程序中有82%可以完全访问用户智能手机上存储的照片和网络,这表明可能存在私人照片泄露。此外,我们的用户调查显示,112名受访者中有87.5%不知道某些应用程序可以在不通知用户的情况下访问他们的照片,所有受访者都认为他们智能手机上存储的照片包含不同类型的私人信息。因此,我们提出了PhotoSafer,一个基于内容的,上下文感知的私人照片保护系统的Android手机。PhotoSafer可以利用经过良好训练的深度卷积神经网络,根据照片内容检测私人照片,并根据系统状态(例如,屏幕锁定与否)和应用程序运行状态(例如,App在后台)。评估表明,PhotoSafer可以实时的准确识别私人照片。所实现的原型系统的功效和效率显示了实际使用的潜力。
2018-10-02 cs.CR
Private reputation retrieval in public - a privacy-aware announcement scheme for VANETs
公告方案是一种便于车辆在车辆自组织网络(VANESTs)中广播与道路相关的信息以提高道路安全和效率的系统。在Boneh-Boyen-Shacham短群签名方案的基础上,提出了一种新的公开更新信誉值的密码原语.这允许在没有安全信道的情况下进行私人信誉分数检索。利用这一点,我们设计了一个隐私意识的公告计划,使用信誉系统,这是可靠的,可审计的和强大的。
2016-05-18 cs.CR
Practical Traceable Over-Threshold Multi-Party Private Set Intersection
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络空间安全学院);Fujian Provincial Key Laboratory of Network Security and Cryptology, College of Computer and Cyber Security, Fujian Normal University(福建师范大学计算机与网络安全学院);NIO Inc.(蔚来汽车)
本文提出两种新型可追溯阈值多方私有集合交集协议,分别在效率和安全性上优于现有方法。
2025-12-31 cs.CR
Secure multiparty quantum computations for greatest common divisor and private set intersection
本文提出一种计算最大公约数的安全多方量子计算协议,通过构建精确量子周期查找算法改进最小公倍数协议,并基于此构建了私有集合交集协议,证明了其在半诚实模型下的正确性、无条件安全性和多项式复杂度。
2023-04-03 cs.CR quant-ph
Quantum Multi-Party Threshold Private Set Intersection with Explicit Cardinality Testing
School of Mathematics, Renmin University of China(中国人民大学数学学院);Great Bay University(大湾区大学)
提出一种基于旋转的量子多方TPSI协议,通过隐藏标签测量和OLE内积实现显式基数测试,仅揭示交集是否达到阈值。
2026-06-29 cs.CR quant-ph
Multi-Party Private Set Intersection: An Information-Theoretic Approach
研究了多方私有集的交集问题。在MP-PSI中,存在$M$方,每个方在$N_i$复制和非共谋数据库上存储数据集$\mathcal{p}_i$,并且我们希望计算数据集$\cap_{i=1}^M \mathcal{p}_i$的交集,而不向任何一方泄漏集合交集之外的任何信息。我们考虑一个特定的通信协议,其中一方,称为领导者党,发起的MP-PSI协议发送查询,其余各方被称为客户端。客户端不允许相互通信。我们提出了一个信息理论的计划,私下计算的交集$\cap_{i=1}^M \mathcal{p}_i$与$D = \min_{t \in \{1, \cdots, M\}} \sum_{i \in \{1, \cdots M\}\setminus {t}} \left\lceil \frac{|\mathcal{p}_t|N_i}{N_i-1}\right\rceil$的下载成本。类似于2方PSI问题,我们的计划建立在PSI问题和多消息对称私有信息检索(MM-SPIR)问题之间的联系。我们的计划是一个非平凡的推广2方PSI计划,因为它需要一个复杂的设计共享的共同随机性。有趣的是,在下载成本方面,我们的计划不会招致任何惩罚,由于更严格的隐私限制的MP-PSI问题相比,2方PSI问题。
2020-08-17 cs.CR cs.DB cs.IT
SIMD-Aware Homomorphic Compression and Application to Private Database Query
本文提出一种SIMD感知的同态压缩新方案,用于私有数据库查询,兼具渐近最优压缩率与良好解压缩复杂度,实验显示比此前最佳方法快4.7至33.2倍。
2024-08-30 cs.CR
DP-PSI: Private and Secure Set Intersection
对用于安全2方计算的私有集合交集(PSI)进行分类的一种方式是交集是(a)向双方揭示还是(b)对双方隐藏,而仅暴露匹配的有效载荷的计算功能。两者都旨在提供加密安全性,同时避免暴露对方的不匹配元素。然而,在一个实际场景中,它们可能不足以实现安全和隐私:当需要交叉点并且必须出于法律、道德和竞争原因考虑通过功能输出泄露的信息时。诸如广告商和广告供应商的两方持有用于PSI计算的用户集合,例如,以在联合营销应用中向广告供应商揭示共同用户。除了标准PSI所要求的安全保证以保护不匹配的元素之外,任何一方都不允许“挑出”元素/用户是否属于另一方,即使联合广告需要共同用户。这是一个令人着迷的问题,没有一种PSI技术提供了解决方案。鉴于这一缺点,我们将差分隐私(DP)和S2 PC组合起来,以提供两全其美的效果,并提出了差异隐私PSI(DP-PSI),这是一种新的隐私模型,它共享PSI的强大安全保护,同时遵守GDPR最近的形式化概念,即排除各方的“信号输出”攻击,除非概率很低。
2022-08-28 cs.CR cs.IT math.IT
Efficient Fuzzy Private Set Intersection from Secret-shared OPRF
Nanyang Technological University(南洋理工大学);Singapore Management University(新加坡管理大学);Arizona State University(亚利桑那州立大学)
本文提出高效的模糊私有集合交集协议,利用对称密钥操作降低成本,实现线性通信和计算复杂度,通过秘密共享OPRF和前缀技术提升效率,实验显示在多种设置下均优于现有方案。
2026-04-16 cs.CR
Multi-Party Private Set Operations from Predicative Zero-Sharing
本文提出一种基于谓词零共享的多方私有集合操作(MPSO)统一框架,支持多方安全计算任意集合公式,在标准半诚实模型下实现线性复杂度,且其实例化协议在线性能超越或匹配现有技术水平。
2025-04-10 cs.CR
PrivacyGo: Privacy-Preserving Ad Measurement with Multidimensional Intersection
本文提出PrivacyGo框架,结合逆向OPRF与盲密钥轮换技术解决多标识符隐私匹配问题,并通过差分隐私机制保护交集大小,为广告测量提供可扩展的安全解决方案。
2025-06-26 cs.CR
Priority-Aware Private Matching Schemes for Proximity-Based Mobile Social Networks
移动设备和在线社交网络的快速发展使得移动社交网络(MSN)越来越受到关注。移动连接和位置感知设备的爆炸性增长使得基于邻近的移动社交网络(PMSNs)成为可能和有意义的。用户可以通过智能手机中嵌入的WiFi/蓝牙接口,轻松地发现并与物理接近的移动用户进行新的社交互动。然而,用户享受这些便利的代价是他们日益增长的隐私问题。为了解决这个问题,我们提出了一套优先级感知的私人匹配计划,私人匹配的相似性与潜在的朋友在附近。与大多数现有的工作不同,我们提出的优先级感知匹配方案(P-match)通过结合可交换加密函数和Tanimoto相似性系数来实现隐私目标,该相似性系数既考虑了用户之间的共同属性的数量,也考虑了每个共同属性的相应优先级。此外,基于新构造的相似度函数,考虑了属性在所有输入集上匹配的比率,我们设计了一个增强版本,以应对一些潜在的攻击,如无限输入属性集的发起方或响应方等。我们提出的E-match避免了繁重的密码操作,并通过采用布隆过滤器的新用法显著提高了系统性能。我们的计划的安全性和通信/计算开销进行了彻底的分析和评估,通过详细的模拟和实施。
2014-01-31 cs.CR
Private Set Intersection: A Multi-Message Symmetric Private Information Retrieval Perspective
研究了私有集的交集问题。在这个问题中,有两个实体$E_i$,对于$i=1, 2$,每个实体存储一个集合$\mathcal{P}_i$,其元素是从$N_i$复制和非共谋数据库上的有限域$\mathbb{F}_K$中挑选的。需要确定集合交集$\mathcal{P}_1 \cap \mathcal{P}_2$,而不会将关于剩余元素的任何信息泄露给具有最少下载比特量的其他实体。我们首先表明,PSI问题可以被改写为一个多消息对称的私人信息检索(MM-SPIR)的问题。接下来,作为一个独立的结果,我们推导出的信息理论和容量的MM SPIR,$C_{MM-SPIR}$。我们表明,与$K$消息,$N$数据库,和所需的消息集$P$的大小,MM-SPIR的确切容量是$C_{MM-SPIR} = 1 - \frac{1}{N}$时,$P \leq K-1$,只要共同的随机性$S$的熵满足$H(S) \geq \frac{P}{N-1}$每个所需的符号。该结果意味着MM-SPIR与连续单消息SPIR(SM-SPIR)相比没有增益。对于MM-SPIR问题,我们提出了一种新的能力实现方案,建立在Banawan-Ulukus最初提出的多消息PIR(MM-PIR)问题,没有数据库隐私约束的近最优方案。令人惊讶的是,我们的计划在这里是完全最佳的MM-SPIR问题的任何$P$,相比之下,该计划的MM-PIR问题,这被…
2020-11-29 cs.CR cs.DB cs.IT
Over-Threshold Multiparty Private Set Intersection for Collaborative Network Intrusion Detection
University of Waterloo(滑铁卢大学)
提出一种单收集者超阈值隐私集合求交协议,通过新哈希方案大幅降低计算复杂度,使其能应用于真实网络日志,并提供两种适应不同安全与通信需求的部署选项。
2025-10-14 cs.CR cs.NI
Fuzzy Private Set Union via Oblivious Key Homomorphic Encryption Retrieval
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Aarhus University(奥胡斯大学)
本文提出基于 oblivious key homomorphic encryption retrieval 的模糊私有集合联合协议,通过改进的加密技术实现高效的数据联合计算。
2026-01-28 cs.CR
Approximate Privacy: PARs for Set Problems
在以前的工作(arXiv:0910.5714)中,我们引入了隐私近似比(PAR),并使用它来研究第二价格Vickrey拍卖和姚的百万富翁问题的协议的隐私性。在这里,我们研究了多个协议的PAR的不相交性问题(其中两个参与者,每个都有一个私有子集{1,...,k},确定它们的集合是否不相交)和相交问题(其中两个参与者,每个具有{1,.,k},确定它们的私有集合的交集)。我们表明,任何协议为这些问题中的每一个提供的隐私,作为衡量的PAR,必然是指数(在k)。我们还考虑了相对于每个玩家的主观PAR之间的比率,以表明这些问题中的每一个的一个协议比其他协议明显更公平(在这个意义上,它对两个玩家的隐私都有类似的不良影响)。
2010-06-09 cs.CR
Cache Me If You Can: Accuracy-Aware Inference Engine for Differentially Private Data Exploration
差分隐私(DP)允许数据分析师查询包含用户敏感信息的数据库,同时向用户提供可量化的隐私保证。最近的交互式DP系统,如APEx提供的查询响应的准确性保证,但无法支持大量的查询与有限的总隐私预算,因为他们独立于过去的查询处理传入的查询。我们提出了一个交互式的,准确的DP查询引擎,CacheDP,它利用了过去的响应差分私人缓存,以较低的隐私预算来回答当前的工作量,同时满足严格的准确性保证。我们将复杂的DP机制与我们的结构化缓存,通过新的缓存感知DP成本优化。我们的全面评估表明,CacheDP可以准确地回答各种工作负载序列,同时降低隐私损失相比,相关的工作。
2022-11-28 cs.CR cs.DB
Privacy-Preserving Quantum Two-Party Geometric Intersection
针对双方私有几何图的隐私保护相交判定问题,提出基于 oracle 编码、XOR 量子态与量子计数的 PQGI 协议,实现更高安全性和更低通信复杂度。
2023-09-22 cs.CR quant-ph
What to Remember, What to Reveal: Privacy-Aware Memory for Conversational Agents
ShanghaiTech University(上海科技大学)
该研究针对对话智能体的隐私风险,提出SP-Mem隐私感知记忆架构,通过全生命周期隐私设计实现更强个性化并减少不必要隐私暴露,还构建了相关基准。
2026-08-18 cs.CR
DP-SAPF: Saliency-Aware Parameter Fine-tuning of Public Models for Differentially Private Image Synthesis
University of Virginia(弗吉尼亚大学);NUS(新加坡国立大学);Microsoft Research(微软研究院)
提出DP-SAPF方法,通过显著性感知策略选择公共模型中最关键的参数进行低秩适应(LoRA)微调,在差分隐私图像合成中减少噪声积累并提升合成图像的效用和保真度。
2026-05-28 cs.CR
Multi-party Private Set Operations with an External Decider
私有集操作(PSO)协议涉及至少两方及其私有输入集。该协议的目标是让各方在其输入集上学习集合操作的输出,即集合交集,而不会泄露关于不在输出集中的项目的任何信息。通常情况下,集合运算的结果只向参与方而非其他任何人显示。然而,在PSO的许多应用领域中,集合运算的结果应该由没有输入集合的外部参与者学习。我们称这个参与者为决策者。在本文中,我们提出了新的变种的多方粒子群算法,其中有一个决策者谁得到的结果。各方都希望决策者有一个私人集合。其他方既不知道这个结果,也不知道关于这个协议的任何其他内容。此外,我们提出了一个通用的解决方案的PSO问题。
2021-03-15 cs.CR
Verifiable and Collusion-Resistant Multi-Party Quantum Private Set Operations
School of Mathematics, Renmin University of China(中国人民大学数学学院);Great Bay University(大湾区大学)
提出一种基于旋转量子构造的多方阈值私有交集协议,通过隐藏标签测量和OLE内积实现阈值判定,无需第三方解释结果,并利用IBM Qiskit验证可行性。
2026-06-29 cs.CR quant-ph
Privacy-Preserving Trust Management Mechanisms from Private Matching Schemes
密码原语是构建隐私保护通信机制的基础。在某些情况下,互不相识的两方需要在Internet上交换敏感信息。信任管理机制利用数字凭证和证书来在这些陌生人之间建立信任。我们解决了选择交换哪些凭证的问题。在这个过程中,除了建立信任所严格要求的信息之外,每一方都不应该了解另一方的偏好。我们提出了一种方法,以达成协议的凭证交换,保护各方的隐私。我们的方法是基于安全的两方计算协议的集合相交。也就是说,它是从私人匹配方案。
2013-08-11 cs.CR
Bias-Aware Minimisation: Understanding and Mitigating Estimator Bias in Private SGD
Institute for AI in Medicine, Technical University of Munich(慕尼黑工业大学医学人工智能研究所);Konrad Zuse School for Excelllence in Reliable AI(康拉德·楚泽卓越可靠人工智能学院);V7 Labs(V7实验室);Imperial College London(帝国理工学院)
针对DP-SGD的私有梯度估计有偏导致模型效用受限的问题,提出偏差感知最小化BAM方法,可证明降低偏差且适配大网络,在多个数据集上显著改善隐私-效用权衡。
2023-08-23 cs.CR cs.LG
Fuzzy Private Matching (Extended Abstract)
在私有匹配问题中,客户端和服务器各自持有一组$n$输入元素。客户端想私下计算这两个集合的交集:他知道他与服务器有哪些共同点(仅此而已),而服务器根本没有获得任何信息。在某些应用中,具有私有匹配协议将是有用的,该协议即使两个元素仅相似而不是相等也报告匹配。这样的私有匹配协议被称为\emph{fuzzy},并且例如在元素可能不准确或被错误破坏时是有用的。我们考虑模糊私人匹配问题,在一个半诚实的环境。如果元素在$T$属性中的$t$上匹配,则它们是相似的。首先,我们表明,弗里德曼等人提出的原始解决方案是不正确的。随后,我们提出了两个模糊私有匹配协议。第一个简单的协议具有位消息复杂性$O(n \binom{T}{t} (T \log{|D|}+k))$。第二种改进的协议具有更好的位消息复杂度$O(n T (\log{|D|}+k))$,但是这里客户端导致O(n)因子时间复杂度。此外,我们提出的协议的基础上计算的汉明距离和不经意的传输,有不同的,有时更有效的,性能特点。
2007-10-29 cs.CR
Differentially Private Sharpness-Aware Training
Seoul National University(首尔大学)
针对差分隐私深度学习训练性能下降的问题,研究发现平坦极小值可缓解梯度裁剪和高斯噪声的负面影响,提出新的锐度感知训练方法以缓解隐私-优化权衡,在从头训练和微调场景下均提升了模型性能。
2023-06-09 cs.AI cs.CR cs.LG
Privacy-Aware Recommendation with Private-Attribute Protection using Adversarial Learning
推荐是帮助用户找到与其兴趣相关的信息的关键应用之一。然而,恶意攻击者可以通过推荐来推断用户的私人信息。先前的工作在与推荐系统共享之前混淆用户项数据。这种方法在执行数据混淆时没有显式地解决推荐的质量。此外,它不能保护用户免受基于建议的私有属性推理攻击。这项工作是第一次尝试建立一个推荐与属性保护(RAP)模型,同时推荐相关的项目和计数器私有属性推理攻击。我们的方法的关键思想是制定这个问题作为一个对抗性的学习问题,有两个主要组成部分:私人属性推理攻击者,和贝叶斯个性化推荐。攻击者试图根据用户的项目列表和建议来推断用户的私有属性信息。推荐器的目标是提取用户的兴趣,同时利用攻击者来规范推荐过程。实验表明,该模型既保持了推荐服务的质量,又保护了用户免受私有属性推理攻击。
2019-11-22 cs.CR cs.IR cs.SI
Kamino: Constraint-Aware Differentially Private Data Synthesis
组织越来越依赖数据来支持决策。当数据包含私有和敏感信息时,数据所有者通常希望发布与真实数据类似有用的合成数据库实例,同时确保各个数据记录的隐私。现有的差异私有数据合成方法旨在基于应用生成有用的数据,但是它们未能保持结构化数据的最基本的数据属性之一-元组和属性之间的潜在相关性和依赖性(即,数据的结构)。这种结构通常表示为完整性和模式约束,或者具有概率生成过程。因此,合成的数据对于需要保留此结构的任何下游任务都是无用的。这项工作提出了卡米诺,一个数据合成系统,以确保差分隐私,并保留在原始数据集中存在的结构和相关性。Kamino将数据库实例及其模式(包括完整性约束)作为输入,并生成具有差分隐私和结构保留保证的合成数据库实例。我们的经验表明,在保留数据结构的同时,Kamino在训练分类模型和回答边缘查询的应用中实现了可比甚至更好的实用性,而不是最先进的差分私有数据合成方法。
2021-04-15 cs.CR cs.DB
QoS-Aware Token Scheduling and Private Data Valuation for Multi-Modal Agentic Networks
University of British Columbia(不列颠哥伦比亚大学);Lazai Network(Lazai网络)
针对去中心化代理系统中数据异构和资源受限问题,提出基于差分隐私的多模态表示与公平令牌分配方案,在保障服务质量的同时提升数据隐私和贡献公平性。
2026-06-17 cs.AI cs.CR
Time-Aware Projections: Truly Node-Private Graph Statistics under Continual Observation
Boston University(波士顿大学)
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
Noise-Aware Shrinkage for Differentially Private Zeroth-Order Fine-Tuning of Large Language Models
本文针对差分隐私零阶微调大语言模型的噪声问题,提出SAGE噪声感知收缩方法,经理论分析和多模型实验验证,该方法在相同隐私预算下多数场景优于基线,且保留内存效率。
2026-08-05 cs.CR cs.LG
Noise-Aware Differentially Private Variational Inference
University of Helsinki(赫尔辛基大学)
针对差分隐私导致下游推断不可靠的问题,提出一种基于随机梯度变分推断的噪声感知近似贝叶斯推断方法,可应用于高维和非共轭模型,并改进了后验评估精度。
2026-10-15 cs.CR cs.LG stat.ML
Age Aware Scheduling for Differentially-Private Federated Learning
Institute of Communications Engineering, National Yang Ming Chiao Tung University(国立阳明交通大学通信工程研究所);Simula UiB(西挪威应用科技大学西蒙研究所);Department of Communication Engineering, National Taipei University(国立台北大学通信工程学系)
本文研究时变数据库下差分隐私联邦学习中的年龄、准确性与隐私权衡问题,提出年龄感知调度方案以最小化模型损失差异,并通过仿真验证其优于经典差分隐私联邦学习。
2024-07-05 cs.CR cs.DC cs.LG
Prior-Aware Distribution Estimation for Differential Privacy
差分隐私下数据集的联合分布估计是许多隐私应用的基本问题,如查询应答、机器学习任务和合成数据生成。在这项工作中,我们研究了联合分布估计问题,给出了两个数据点:1)在私有数据上计算的工作量的差分私有答案和2)来自公共数据集的先验经验分布。我们的目标是找到一个新的分布,使得使用该分布估计工作量与差分私有答案一样准确,并且该分布的相对熵或KL散度相对于先验分布最小化。我们提出了一种基于迭代优化的方法来解决这个问题。我们的解决方案的应用程序在NIST 2020年差分隐私时间地图挑战赛Sprint 2中获得第二名。
2021-06-09 cs.CR cs.DS
DP$^2$-FedSAM: Enhancing Differentially Private Federated Learning Through Personalized Sharpness-Aware Minimization
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
本文提出DP$^2$-FedSAM,结合个性化部分模型共享与锐度感知最小化,在差分隐私联邦学习中减轻噪声与裁剪影响,提升模型效用,尤其在数据异构场景下改善隐私-效用权衡。
2024-09-20 cs.CR cs.DC cs.LG
Design of Policy-Aware Differentially Private Algorithms
研究了误差最优差分隐私算法的设计问题。将差分隐私应用于现实世界设置的最近工作已经使用了差分隐私的变体,其适当地修改了相邻数据库的概念。为这种差分隐私的变体设计误差最优算法的问题是开放的。在本文中,我们提出了一种新的转换等价的结果,可以把查询回答的问题下差分隐私与修改后的概念的邻居查询回答下标准的差分隐私,一个大类的邻居定义。我们利用Blowfish隐私框架,概括了差分隐私。Blowfish使用{\em policy graph}来实例化相邻数据库的不同概念。我们表明,在回答工作负载$\mathbf{W}$数据库$\mathbf{x}$根据河豚策略图$G$时所产生的错误是相同的,以回答转换工作负载$f_G(\mathbf{W})$数据库$g_G(\mathbf{x})$根据标准差分隐私,其中$f_G$和$g_G$是线性变换的基础上$G$。利用这一结果,我们开发的错误有效的算法释放直方图和多维范围查询不同的河豚政策。我们相信,我们开发的工具将有助于找到机制,以回答许多其他类别的查询,在其他政策图低错误。
2015-11-20 cs.CR cs.DB
Noise-Aware Statistical Inference with Differentially Private Synthetic Data
University of Helsinki(赫尔辛基大学);Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学)
虽然在数据隐私社区中,差分隐私(DP)下的合成数据的生成受到了很多关注,但合成数据的分析却少得多。现有的工作表明,简单地分析DP合成数据,就好像它是真实的一样,不会产生有效的人口水平数量的推断。例如,置信区间变得太窄,我们用一个简单的实验来证明。我们解决这个问题,结合合成数据分析技术,从该领域的多重插补(MI),合成数据生成使用噪声感知(NA)贝叶斯建模到一个管道NA+MI,允许计算准确的不确定性估计人口水平的数量从DP合成数据。为了实现NA+MI的离散数据生成使用的边缘查询的值,我们开发了一种新的噪声感知的合成数据生成算法NAPSU-MQ使用最大熵的原则。我们的实验表明,管道是能够产生准确的置信区间DP合成数据。间隔变得更宽,隐私更紧,以准确捕获DP噪声带来的额外不确定性。
2023-02-24 cs.CR cs.LG stat.ML
Fairness-aware Differentially Private Collaborative Filtering
Etsy Inc(Etsy公司);Rutgers University(罗格斯大学);University at Albany, SUNY(纽约州立大学奥尔巴尼分校)
最近,越来越多地采用差分隐私引导算法用于隐私保护机器学习任务。然而,这种算法的使用伴随着算法公平性方面的权衡,这已经被广泛承认。具体来说,我们已经经验性地观察到,经典的协同过滤方法,训练的差分私人随机梯度下降(DP-SGD),结果在不同的用户参与度方面的不同影响用户组。这反过来又导致原来的不公平模型对不活跃用户的偏见更大。为了解决上述问题,我们提出了\textbf{DP-Fair},一个两阶段的框架为基础的协同过滤算法。具体而言,它将差分隐私机制与公平性约束相结合,在保证推荐公平的同时保护用户隐私。基于Amazon数据集和Etsy(最大的电子商务平台之一)收集的用户历史日志的实验结果表明,与vanilla DP-SGD相比,该方法在浅层和深层推荐模型上的整体准确性和用户组公平性方面都具有更好的性能。
2023-03-16 cs.CR cs.IR cs.LG
Soft Voting for Policy-Aware Private Data Synthesis
Western University(韦仕敦大学)
针对Private Evolution等DP合成器的硬投票在策略图下无法降噪声的问题,提出BF-Soft软投票方法,在强隐私预算下可降低误差,公共数据试点还能预测软投票的适用性。
2026-10-09 cs.CR cs.DB
Option contracts for a privacy-aware market
供应商(包括公司和个人消费者)可能希望在出售库存物品时保护他们的私人信息。设想建立一个市场,通过使用差分隐私和选择权合同保护私人信息,同时了解隐私的供应商以较低的价格提供库存。在这样的市场中,经纪人充当具有隐私意识的供应商和最终客户之间的中介,提供可能需要的额外物品以完全满足客户的需求,而最终客户则通过期权合同预订他们所需的物品。所有利益攸关方都可以从这样的市场中受益。为期权价格提供了一个公式,并为经纪人/生产者的盈利机制设置了一个预算方程。
2015-09-22 cs.CR q-fin.GN
Labeled Delegated PSI and its Applications in the Public Sector
Smals Research;University of Waterloo(滑铁卢大学);Cosic - KU Leuven, 3MI Labs(荷语鲁汶大学 Cosic - 3MI 实验室)
本文提出了一种带标签的委托PSI协议,用于在公共部门安全链接和收集多个数据提供者的数据,以提升医疗、欺诈检测和政策制定等应用。
2025-12-09 cs.CR
Noise-Aware Differentially Private Regression via Meta-Learning
University of Helsinki(赫尔辛基大学);University of Cambridge(剑桥大学);Microsoft Research AI for Science(微软研究院人工智能科学部)
本文提出DPConvCNP,将ConvCNP与改进的函数型差分隐私机制结合,通过元学习从模拟数据中学习将私有数据映射为DP预测模型,在非高斯数据上优于DP高斯过程基线,且测试更快、调优更少。
2025-05-08 cs.CR cs.LG stat.ML
GeoClip: Geometry-Aware Clipping for Differentially Private SGD
Arizona State University(亚利桑那州立大学)
针对DP-SGD中梯度裁剪阈值设置未考虑梯度坐标相关性的问题,提出几何感知框架GeoClip,在变换基中裁剪扰动梯度,无额外隐私成本,兼具收敛保证,同隐私预算下性能优于现有自适应裁剪方法。
2025-10-27 cs.CR cs.IT cs.LG
Privacy-Aware Joint Source-Channel Coding for image transmission based on Disentangled Information Bottleneck
针对现有隐私感知JSCC需为不同窃听者SNR训练多网络的问题,提出基于解耦信息瓶颈的DIB-PAJSCC方法,通过解耦公私信息仅传输公共信息,消除额外训练并降低窃听准确率最高达20%。
2023-09-15 cs.CR eess.SP
Selection-Invariant Communication Compilers for Privacy-Aware Multi-Agent LLM Workflows
针对多智能体工作流中消息选择泄露私有状态的问题,提出选择不变通信编译器(SICC),通过约束授权后表示核实现隐私保证,并在实验验证中保持协议效用。
2026-09-23 cs.AI cs.CR