Bounds for Privacy-Utility Trade-off with Non-zero Leakage
研究了隐私数据隐藏和可观察两种情况下的隐私机制设计。在第一种情况下，代理观察到与私有数据$X$相关的有用数据$Y$，并且想要向用户公开有用信息。采用隐私机制来生成数据$U$，该数据$U$在满足隐私准则的同时最大化关于$Y$的所揭示的信息。在第二种情况下，代理还可以访问私有数据。为此，函数表示引理和强函数表示引理被扩展，放松了独立性条件，从而允许一定的泄漏。第二种情况下，以及这两种情况下的上限，得出的隐私效用权衡的下限。特别是，对于不允许泄漏的情况下，我们的上限和下限改进了以前的边界。
2023-01-13 cs.IT math.IT
Privacy-Utility Tradeoffs under Constrained Data Release Mechanisms
隐私保护数据发布机制旨在同时最小化敏感数据的信息泄漏和有用数据的失真。敏感数据和有用数据之间的重复性导致了隐私-效用权衡，这与广义率失真问题有很强的联系。在这项工作中，我们研究了最佳的隐私效用权衡区域是如何影响的数据，直接作为输入的释放机制的约束。特别是，我们只考虑敏感数据的可用性，只考虑有用数据的可用性，以及两者（完整数据）。我们表明，一般的层次结构举行：权衡区域只敏感的数据是不大于该区域只提供有用的数据，这反过来又是显然不大于该区域的敏感和有用的数据。此外，我们确定的条件下，只给出有用的数据与给定的全部数据相吻合的权衡区域。这些都是基于敏感数据和有用数据之间的共同信息。我们建立这些结果一般家庭的隐私和实用措施，满足某些自然属性所需的任何合理的措施的隐私或实用。我们还发现了一个新的，微妙的方面的数据处理不平等的一般非对称隐私措施，并讨论其操作的相关性和影响。最后，我们推导出精确的封闭解析形式表达式的隐私效用权衡对称依赖的敏感和有用的数据下互信息和汉明失真作为各自的隐私和效用的措施。
2017-10-25 cs.CR cs.IT math.IT
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
Arbitrarily Strong Utility-Privacy Tradeoff in Multi-Agent Systems
网络中的每个代理都进行与一组公共和私有参数线性相关的局部观察。代理将其观察结果发送到融合中心，以允许其估计公共参数。为了防止私有参数的泄漏，每个代理首先使用本地隐私机制对其本地观察进行消毒，然后将其发送到融合中心。我们调查的公共和私人参数估计的Cramér-Rao下界方面的效用隐私权衡。我们研究了一类由线性压缩和噪声扰动给出的隐私机制，并推导出在多智能体系统中实现任意强效用-隐私权衡的充要条件，分别适用于先验信息可用和不可用的情况。我们还提供了一种方法来找到最大的估计隐私可实现的效用不妥协，并提出了一个交替的算法来优化的情况下，任意强的效用隐私权衡是无法实现的效用隐私权衡。
2020-08-11 cs.IT cs.SY eess.SY
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 for Hypothesis Testing Over A Noisy Channel
我们研究了在噪声信道中具有隐私约束的假设检验问题，并推导了在Neyman-Pearson准则下的最优检验性能。感兴趣的基本限制是隐私效用权衡（PUT）之间的指数的类型II错误概率和泄漏的信息源受到恒定的约束类型I错误概率。我们提供了一个精确的表征的渐近放置任何非零I型错误概率。我们的结果意味着容忍较大的I类错误概率不能提高PUT。这样的结果被称为强逆定理或强不可能定理。为了证明强逆定理，我们应用了最近在（Tyagi和Watanabe，2020）中提出的技术，并进一步证明了它的通用性。几个问题的强逆定理，如假设检验对噪声信道的独立性（Sreekumar和Gündüz，2020）和假设检验与通信和隐私约束（Gilani \emph{et al.}，2020），建立或恢复为我们的结果的特殊情况。
2021-05-27 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
Bounds for Privacy-Utility Trade-off with Per-letter Privacy Constraints and Non-zero Leakage
研究了两种情形下的信息论隐私机制设计问题，其中隐私数据是隐藏的或可观察的。在每种情况下，隐私泄漏的限制被认为是使用两种不同的措施。在这些场景中，私有数据是隐藏的或可观察的。在第一种情况下，代理观察到与私有数据$X$相关的有用数据$Y$，并且希望向用户公开有用信息。设计了一种隐私机制以生成公开数据$U$，其在满足每个字母的隐私约束的同时最大化关于$Y$的公开信息。在第二种情况下，代理还可以访问私有数据。首先，函数表示引理和强函数表示引理通过放松独立性条件得到一个考虑第二种情况的下界。接下来，下界以及上界的隐私效用权衡推导出这两种情况。特别是，对于$X$是$Y$的确定性函数的情况下，我们表明，我们的上限和下限是渐近最优的考虑第一种情况。
2022-05-10 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
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
Privacy-Utility Trade-Offs Against Limited Adversaries
我们研究的隐私效用权衡，用户与服务提供商分享隐私相关的有用信息，以获得一些实用程序。服务提供商是对抗性的，因为它可以根据共享的有用信息推断用户的隐私信息。为了最大限度地减少隐私泄漏，同时保持所需的效用水平，用户仔细扰动有用的信息，通过概率隐私映射之前sharingit. We专注于设置中的对手试图推断攻击用户的隐私有潜在的偏见的信息之间的统计相关性的私人和有用的变量。在相同的效用要求下，用户和有限对手之间的这种信息不对称导致比全知对手的情况下更好的隐私保证。我们首先确定对对手信息的假设，以便推理成本是明确且有限的。然后，我们描述了信息不对称的影响，并表明它增加了对手的推理成本。我们进一步制定的隐私映射的设计，对有限的对手使用凸函数的差异计划，并通过凹凸过程解决它。当对手的信息是不准确的，我们采用贝叶斯的观点，并表示对手的信息的概率分布。在这种情况下，对手的预期成本不允许一个封闭的形式的表达，我们建立和最大化的预期成本的下限。我们提供了一个关于人口普查数据集的数值例子来说明理论结果。
2021-06-18 cs.IT math.IT math.OC
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 Privacy-Utility Trade-off With and Without Direct Access to the Private Data
我们研究了信息理论隐私机制设计问题的两种情况下，私人数据是可观察的或隐藏的。在每种情况下，我们首先考虑有界的互信息作为隐私泄漏的标准，然后我们使用两个不同的每个字母的隐私约束。在第一种情况下，代理观察到与私有数据$X$相关的有用数据$Y$，并且希望向用户公开有用信息。设计了一种隐私机制以生成公开数据$U$，其在满足有界隐私泄露约束的同时最大化关于$Y$的公开信息。在第二种情况下，代理还可以访问私有数据。为此，我们首先通过放松独立性条件来扩展函数表示引理和强函数表示引理，从而允许一定的泄漏找到具有不同隐私泄漏约束的第二种情况的下界。此外，在第一种情况下，考虑到不同的隐私约束的上限和下限。特别是，对于不允许泄漏的情况下，我们的上限和下限改进了以前的边界。此外，考虑有界互信息隐私约束，我们表明，如果$X$和$Y$之间的公共信息和互信息是相等的，那么在第二种情况下，所获得的上界是紧的。最后，研究了具有优先级的私有数据的隐私-效用权衡，其中部分$X$，即，$X_1$比其余部分更私密，即，$X_2$，我们提供了下限和上限。
2022-12-23 cs.IT math.IT
Federated Learning with Local Differential Privacy: Trade-offs between Privacy, Utility, and Communication
联邦学习（FL）由于其分散的结构允许私下训练大量的数据。随机梯度下降（SGD）由于其良好的经验性能而通常用于FL，但是仍然可以从FL迭代期间共享的权重更新推断敏感的用户信息。我们考虑高斯机制，以保持局部差分隐私（LDP）的用户数据在FL模型与SGD。用户隐私，全球效用和传输速率之间的权衡证明通过定义适当的指标FL与LDP。与已有的结果相比，LDP中使用的查询敏感度被定义为一个变量，并应用更严格的隐私计费方法。建议的效用界允许所有用户的异构参数。我们的界限特征有多少效用减少和传输速率增加，如果一个更强的隐私制度的目标。此外，给定一个目标隐私级别，我们的研究结果保证一个显着更大的效用和更小的传输速率相比，现有的隐私会计方法。
2021-02-09 cs.CR cs.DC cs.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
Energy and Utility Optimization in Wireless Networks with Random Access
能量消耗是无线网络中关注的主要问题。能量最小化增加了网络节点在不充电或更换电池的情况下正常工作的时间。网络性能的另一个标准是数据传输速率，它通常由网络效用函数量化。在这些标准之间存在着内在的权衡，加强其中一个标准可能会使另一个标准恶化。在本文中，我们考虑网络效用最大化（NUM）和能量最小化的双标准优化问题。该问题是制定随机接入（RA）媒体接入控制（MAC）的ad-hoc网络。首先，我们优化性能的MAC和效用定义为一个单调递增的函数的链路吞吐量。在这一部分中，我们研究了能量和效用之间的最优权衡。在第二部分中，我们将效用定义为端到端速率的函数，并同时优化MAC层和传输层。我们计算最佳持续概率和端到端速率。最后，利用对偶定理，将问题分解为更小的子问题，分别在节点层和网络层求解。这种分解避免了对中央单元的需要，同时保持了分层的好处。
2010-11-23 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
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
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
Privacy-Utility Trade-off of Linear Regression under Random Projections and Additive Noise
UCLA（加利福尼亚大学洛杉矶分校）
数据隐私是机器学习中的一个重要问题，并且从根本上与训练有用的学习模型的任务不一致，这通常需要获取大量的私有用户数据。在保护用户隐私的同时完成机器学习任务的一种可能的方法是在数据的变换的噪声版本上训练模型，这不会直接向训练过程揭示数据本身。在这项工作中，我们分析了两个这样的计划的线性回归问题的隐私效用权衡：加性噪声和随机投影。与以前的工作相比，我们考虑了最近提出的差分隐私的概念是基于条件互信息（MI-DP），这是强于传统的$(ε, δ)$ -差分隐私，并使用相对客观误差作为效用度量。我们发现，在添加噪声之前将数据投影到低维子空间通常会获得更好的权衡。我们还建立了隐私问题和（非相干）SIMO之间的联系，SIMO在无线通信中已被广泛研究，并使用工具进行分析。我们提出的数值结果表明该计划的性能。
2019-02-13 cs.CR cs.IT cs.LG
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
Active Privacy-utility Trade-off Against a Hypothesis Testing Adversary
Imperial College London（帝国理工学院）
我们认为用户释放她的数据包含一些个人信息，以换取服务。我们将用户的个人信息建模为两个相关的随机变量，其中一个被称为秘密变量，是要保持私有，而另一个被称为有用变量，是要公开的效用。我们考虑主动顺序数据发布，其中在每个时间步，用户从有限的一组发布机制中进行选择，每个机制都揭示了关于用户个人信息的一些信息，即，真实的假设，尽管有不同的统计数据。用户以在线方式管理数据发布，使得关于潜在有用变量的最大量的信息被揭示，同时敏感变量的置信度被保持在预定义水平以下。对于效用，我们考虑了有用变量的正确检测概率和有用变量与发布数据之间的互信息（MI）。我们将这两个问题表示为马尔可夫决策过程（MDP），并通过优势行动者-批评者（A2 C）深度强化学习（RL）进行数值求解。
2021-02-18 cs.CR cs.IT cs.LG
A Deep Latent Factor Graph Clustering with Fairness-Utility Trade-off Perspective
L3S Research Center（L3S研究所以）；University of Mons（蒙斯大学）；University of Koblenz（科布伦茨大学）；Bundeswehr University（联邦国防军大学）
本文提出DFNMF，一种针对图的端到端深度非负三因子分解方法，通过软统计平衡正则化直接优化聚类分配，以实现公平性与效用的平衡，同时在合成和真实网络中表现出更高的群体平衡性和更高的模ularity。
2025-10-27 cs.AI cs.IT cs.LG
Differential Privacy: on the trade-off between Utility and Information Leakage
差分隐私是数据库社区中非常流行的隐私概念。粗略地说，这个想法是，如果两个相邻数据集给出相同答案的概率之比受e^n约束，则随机化查询机制提供了足够的隐私保护。在信息流领域，存在对控制信息泄漏的类似关注，即限制从可观察量推断秘密信息的可能性。近年来，研究人员提出用Rényi min互信息来量化泄漏，这是一个与贝叶斯风险严格相关的概念。在本文中，我们将展示如何建模的查询系统中的信息理论的渠道，我们比较的概念差分隐私与互信息。我们发现，差分隐私意味着一个界上的互信息（但不是反之亦然）。此外，我们证明了我们的界是紧的。然后，我们考虑随机化机制的效用，它表示随机化答案平均与真实答案的接近程度。我们表明，差分隐私的概念意味着效用上的界限，也紧，我们提出了一种方法，在一定条件下建立一个最佳的随机化机制，即提供最佳效用的机制，同时保证差分隐私。
2011-08-25 cs.CR cs.DB cs.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
Achieving the Exactly Optimal Privacy-Utility Trade-Off with Low Communication Cost via Shared Randomness
本文利用共享随机性和区组设计分解方法，构造了在局部差分隐私下实现精确最优隐私-效用权衡且通信成本不超过输入数据大小的LDP方案，并给出Baranyai分解与循环移位分解两种构造。
2023-07-08 cs.CR cs.IT math.IT
Active Privacy-Utility Trade-off Against Inference in Time-Series Data Sharing
Imperial College London（帝国理工学院）
物联网（IoT）设备，如智能电表，智能扬声器和活动监视器，由于它们提供的服务而变得非常受欢迎。然而，除了它们的许多好处之外，它们还引起了隐私问题，因为它们与不受信任的第三方共享细粒度的时间序列用户数据。在这项工作中，我们认为用户释放她的数据包含个人信息，从一个诚实但好奇的服务提供商（SP）的服务回报。我们将用户的个人信息建模为两个相关的随机变量（r. v.的），其中一个称为秘密变量，是要保持私有的，而另一个称为有用变量，是为了实用而公开的。我们考虑主动顺序数据发布，其中在每个时间步，用户从有限的一组发布机制中进行选择，每个机制都揭示了关于用户个人信息的一些信息，即，r. v.的真实值。尽管统计数据不同。用户以在线方式管理数据发布，使得尽可能快地揭示关于潜在有用变量的最大量的信息，同时敏感变量的置信度保持在预定义水平以下。对于隐私性度量，我们考虑了正确检测秘密的真实值的概率和秘密与发布数据之间的互信息。我们将这两个问题表示为部分可观察马尔可夫决策过程（POMDPs），并通过优势行动者-批评者（A2 C）深度强化学习（DRL）进行数值求解。我们评估了所提出的策略在合成数据和吸烟活动数据集上的隐私-效用权衡（PUT），并通过测试由长短期记忆（LSTM）神经网络建模的SP的活动检测准确性来证明其有效性。
2022-02-11 cs.CR cs.IT cs.LG
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
