Privacy Amplification via Shuffled Check-Ins
LINE Corporation（LINE公司）
本文研究混洗签到分布式计算协议，允许客户端随机自主决定参与，通过基于Rényi差分隐私的隐私放大分析实现紧致隐私保障，并首次在本地/混洗模型下数值评估含高斯机制在内的通用混洗机制。
2023-07-04 cs.CR cs.LG
Differential Privacy Amplification in Quantum and Quantum-inspired Algorithms
LIP6（LIP6实验室）；CNRS（法国国家科学研究中心）；Sorbonne Université（索邦大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本研究针对量子与量子启发式算法展开，首次证明经典数据集量子编码上的算法及量子启发式经典采样结果可放大幅分隐私，同时验证了满足混合条件的量子信道组合可放大量子差分隐私，给出了对应隐私放大边界。
2023-08-21 cs.CR cs.DS cs.LG
Oblivious Sampling Algorithms for Private Data Analysis
University of Waterloo（滑铁卢大学）；Microsoft（微软公司）；The University of Melbourne（墨尔本大学）
我们研究安全和隐私保护的数据分析的基础上执行的查询样本从数据集。可信执行环境（TEE）可用于在查询计算期间保护数据的内容，而在TEE中支持差分私有（DP）查询在查询输出被揭示时提供记录隐私。由于\emph{privacy amplification}，对基于样本的查询的支持是有吸引力的，因为不是所有的数据集都被用来回答查询，而只是一个小的子集。然而，提取数据样本与TEE，同时证明强大的DP保证是不平凡的样本索引的秘密必须得到保护。为此，我们设计了有效的安全变种常见的采样算法。实验表明，对于MNIST和CIFAR-10的差异隐私模型，使用洗牌和采样训练的模型的准确性是相同的，而采样提供了比洗牌更强的隐私保证。
2020-09-28 cs.CR cs.DS cs.LG
Hiding Among the Clones: A Simple and Nearly Optimal Analysis of Privacy Amplification by Shuffling
Apple（苹果公司）
Erlingsson、Feldman、Mironov、Raghunathan、Talwar和Thakurta [EFMRTT 19]最近的工作表明，随机洗牌放大了本地随机数据的差分隐私保证。这种放大意味着对匿名贡献数据的系统有更强的隐私保证[BEMMRLRKTS 17]，并导致对隐私洗牌模型的极大兴趣[CSUZZ 19; EFMRTT 19]。我们表明，随机洗牌的$n$数据记录输入$\varepsilon_0$ -差分私有本地随机化的结果在一个$(O((1-e^{-\varepsilon_0})\sqrt{\frac{e^{\varepsilon_0}\log(1/δ)}{n}}), δ)$ -差分私有算法。这显着改善了以前的工作，并实现了渐近最佳的依赖$\varepsilon_0$。我们的结果是基于一种新的方法，这是比以前的工作更简单，并扩展到近似差分隐私几乎相同的保证。重要的是，我们的工作还产生了一个算法，用于获得更严格的界限上产生的$\varepsilon$和$δ$以及雷尼差分隐私保证。我们数值表明，我们的算法得到一个小的常数因子的最佳界限。作为我们的分析的直接推论，我们得出一个简单的和接近最佳的算法，在洗牌模型的隐私频率估计。我们还观察到，我们的结果意味着第一个渐进最优的隐私分析的噪声随机梯度下降，适用于采样没有替换。
2021-09-07 cs.CR cs.DS cs.LG
Amplification by Shuffling without Shuffling
提出Alternating Shuffle近似洗牌协议，在单服务器威胁模型下实现次线性通信开销，证明其差分隐私放大效果及对安全求和协议的兼容性，并附带提出一种精确洗牌协议。
2023-09-07 cs.CR
How to Securely Shuffle? A survey about Secure Shufflers for privacy-preserving computations
University of Twente（特文特大学）；Inria（法国国家信息与自动化技术研究院）
本文综述了26种安全洗牌协议，分析其分类、比较及隐私保护技术，提供选择指南和未来研究方向。
2025-12-01 cs.CR cs.LG
Echo of Neighbors: Privacy Amplification for Personalized Private Federated Learning with Shuffle Model
Renmin University of China（中国人民大学）；Emory University（埃默里大学）
本文提出APES和S-APES框架，首次利用混洗模型的隐私放大效应，在个性化本地差分隐私下实现更强的中心隐私保障，并通过回声贡献度量和后稀疏化技术提升模型效用。
2023-05-26 cs.CR cs.LG
Privacy amplification by random allocation
Apple（苹果公司）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文提出了一种通过随机分配实现隐私放大的方法，提供了理论保证和数值算法，证明其隐私保证可被独立子采样上界限制，并在多个参数范围内改进数值结果。
2026-01-14 cs.LG
Uniformity Testing in the Shuffle Model: Simpler, Better, Faster
均匀性检验，或检验独立观测值是否均匀分布，是分布检验中的典型问题。在过去的几年里，一系列的工作一直集中在数据的隐私约束下的一致性测试，并获得了各种隐私模型，如中央差分隐私（DP），本地隐私（LDP），泛隐私，以及最近，差分隐私的洗牌模型下的隐私和数据有效的算法。在这项工作中，我们大大简化了分析的均匀性测试算法的洗牌模型，并使用最近的结果“通过洗牌隐私放大”，提供了一种替代算法实现相同的保证与一个基本的和流线型的参数。
2021-10-18 cs.CR cs.DM cs.DS
Decomposition-Based Optimal Bounds for Privacy Amplification via Shuffling
School of Computer Science, Peking University（北京大学计算机学院）；National Engineering Research Center for Software Engineering, Peking University（北京大学软件工程国家工程研究中心）
本研究针对洗牌隐私放大问题，提出统一的通用克隆范式框架，确定最优分解并开发基于FFT的高效算法，实现紧边界计算，还推导LDP机制组合的最优放大边界。
2025-11-14 cs.CR
Privacy Amplification via Shuffling: Unified, Simplified, and Tightened
针对shuffle模型中隐私放大分析缺乏紧致性和通用性的问题，提出variation-ratio reduction统一框架，利用全变差界和概率比界确定不可区分性，提供更紧的隐私界并大幅节省预算，同时实现高效数值计算。
2024-07-29 cs.CR
Balls-and-Bins Sampling for DP-SGD
Google（谷歌公司）
本文提出用于DP-SGD的球与箱采样方法，实现类似Shuffling的便捷实现，同时在实际参数范围内享有与Poisson子采样相似或更优的隐私放大效果与模型效用。
2025-03-31 cs.CR cs.DS cs.LG
Mitigating Leakage from Data Dependent Communications in Decentralized Computing using Differential Privacy
Petrus team, Inria, France（法国国家信息与自动化研究所 Petrus 团队）；Magnet team, Inria, France（法国国家信息与自动化研究所 Magnet 团队）
想象一下，一群公民愿意为了共同利益集体贡献他们的个人数据，以产生对社会有用的信息，这些信息来自数据分析或机器学习计算。与执行计算的中央服务器共享原始个人数据可能会引发对隐私和大规模监控风险的担忧。相反，公民可以信任彼此以及他们自己的设备，以参与分散式计算，从而协作产生要共享的聚合数据发布。在安全计算节点在运行时通过安全信道交换消息的上下文中，关键的安全问题是防止外部攻击者观察业务，其对数据的依赖可能泄露个人信息。现有的解决方案是针对云环境设计的，其目标是隐藏底层数据集的所有属性，并且不能解决在上述上下文中出现的特定隐私和效率挑战。在本文中，我们定义了一个通用的执行模型来控制数据依赖的通信在用户端分散计算，其中差分隐私保证通信模式在全球执行计划可以分析结合保证获得的本地集群的节点。我们提出了一套算法，允许隐私，效用和效率之间的权衡。我们正式的隐私保证杠杆和扩展最近的结果隐私放大洗牌。我们说明了我们的建议的有用性的两个代表性的例子，分散的执行计划与数据依赖的通信。
2021-12-23 cs.CR cs.DB cs.DC
Improving the Convergence of Private Shuffled Gradient Methods with Public Data
Carnegie Mellon University（卡内基梅隆大学）
本文提出Interleaved-ShuffleG方法，通过整合公共数据降低私有洗牌梯度方法的经验风险，提升收敛性。
2026-02-24 cs.LG
Differentially Private Stochastic Gradient Descent with Fixed-Size Minibatches: Tighter RDP Guarantees with or without Replacement
Texas State University（德克萨斯州立大学）；University of South Florida（南佛罗里达大学）；University of Arizona（亚利桑那大学）
针对固定大小子采样的DP-SGD，提出更紧的RDP会计方法，改进界限4倍，并证明其与泊松子采样隐私等价，且内存使用更优。
2024-08-19 cs.CR cs.LG
Walking to Hide: Privacy Amplification via Random Message Exchanges in Network
洗牌模型是一个强大的工具，可以放大差分隐私的本地模型的隐私保证。与在本地模型中保证隐私的完全分散的方式相反，洗牌模型需要一个中央的、可信的洗牌器。为了避免这种中央洗牌机，Liew等人（2022）的最新工作提出了通过客户端构成的通信网络上的随机游走，以分散的方式对本地随机数据进行洗牌。因此，它提供的隐私放大边界取决于底层通信网络的拓扑结构，即使是无限长的随机游走。它不匹配shuffle模型的现有技术的隐私放大（Feldman等人，2021年）。在这项工作中，我们证明了~ $n$客户端的数据的输出，每个由$ε_0$本地随机发生器扰动，并通过随机游走与对数的步骤，洗牌，是$( {O} ( (1 - e^{-ε_0} ) \sqrt{ ( e^{ε_0} / n ) \ln (1 / δ) } ), O(δ) )$ -差分私有的。重要的是，该界限独立于通信网络的拓扑结构，并且渐进地闭合网络洗牌模型的隐私放大界限之间的差距（Liew等人，2022）和洗牌模型（Feldman等人，2021年）。我们的证明是基于减少洗牌模型，并分析了分布的随机游动的有限长度。在此基础上，我们进一步表明，如果每个客户端独立采样概率~ $p$，网络洗牌模型的隐私保证可以进一步提高到$( {O} ( (1 - e^{-ε_0} ) \sqrt{p ( e^{ε_0} / n ) \ln (1 / δ) } ) , O…
2022-06-20 cs.CR
A Generalized Shuffle Framework for Privacy Amplification: Strengthening Privacy Guarantees and Enhancing Utility
本文提出适用于任意个性化 $(ε_i,δ_i)$-PLDP 设置的广义 shuffle 框架，通过高斯差分隐私刻画和假设检验改进下界，并在多项任务中实现更强隐私保证与更优效用。
2024-03-01 cs.CR math.CO
On Differentially Private Federated Linear Contextual Bandits
Wayne State University（韦恩州立大学）；Microsoft Research（微软研究院）
本文针对差分隐私下联邦线性情境老虎机中隐私保护失效、遗憾界错误等问题，提出通用算法框架，并在本地差分隐私和shuffle模型下实现近乎最优遗憾。
2023-05-31 cs.CR cs.LG
Metric Differential Privacy at the User-Level Via the Earth Mover's Distance
University of Copenhagen（哥本哈根大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；University of California, San Diego（加州大学圣迭戈分校）
研究用户级别度量差分隐私，用推土机距离定义隐私，设计回答线性和项级查询的机制，给出从无界到有界的黑箱约简，证明在某些查询类型上比用户级DP有更好效用。
2026-07-07 cs.CR
Camel: Communication-Efficient and Maliciously Secure Federated Learning in the Shuffle Model of Differential Privacy
本文提出Camel框架，在差分隐私洗牌模型中通过秘密共享洗牌、完整性检查和更紧的RDP隐私损失界，实现通信高效且抗恶意攻击的联邦学习，实验证明其隐私-效用权衡优于现有方法。
2024-10-04 cs.CR
