RON-Gauss: Enhancing Utility in Non-Interactive Private Data Release
在非交互式环境中设计差分隐私面临的一个关键挑战是保持发布数据的实用性。为了克服这一挑战，我们利用了Diaconis-Freedman-Meckes（DFM）效应，该效应表明高维数据的大多数投影几乎是高斯的。因此，我们提出了RON-Gauss模型，该模型利用了通过随机正交（RON）投影和高斯生成模型进行降维的新组合来合成差分私有数据。我们分析了RON-Gauss如何从DFM效应中受益，并为一系列机器学习应用提供了多种算法，包括无监督学习和监督学习。此外，我们严格证明了（a）我们的算法满足强$ε$ -差分隐私保证，（b）RON投影可以降低差分隐私所需的扰动水平。最后，我们在三个大型真实世界数据集上说明了RON-高斯在三个常见的机器学习应用程序（聚类，分类和回归）下的有效性。我们的实证结果表明，（a）RON-Gauss优于以前的方法高达一个数量级，（b）与非私有真实数据相比，效用损失很小。因此，RON-Gauss可以作为隐私保护数据发布的实际部署的关键推动者。
2018-10-16 cs.CR
Private Lossless Multiple Release
本文研究差分隐私下的无损多重发布问题，提出适用于高斯、拉普拉斯和泊松等加性噪声机制的无损多重发布方法，并设计了运行时间与维度无关的稀疏直方图渐进发布机制。
2025-05-28 cs.CR cs.DS
Differentially Private Streaming Data Release under Temporal Correlations via Post-processing
本文提出一种后处理框架，通过将差分隐私数据发布建模为最大后验估计并转化为非线性约束规划，显著提升了时间相关性下差分隐私流数据的效用和准确性。
2023-06-26 cs.CR cs.DB
Differentially Private Multi-Party Data Release for Linear Regression
Cornell University（康奈尔大学）；ByteDance Inc.（字节跳动公司）
差分隐私（DP）数据发布是一种很有前途的技术，可以在不损害数据主体隐私的情况下传播数据。然而，大多数先前的工作都集中在一方拥有所有数据的情况下。在本文中，我们专注于多方设置，其中不同的利益相关者拥有属于同一组数据主体的不相交的属性集。在线性回归的背景下，允许所有各方训练模型的完整数据，没有能力推断私人属性或身份的个人，我们开始直接应用高斯机制，并显示它有小特征值问题。我们进一步提出了我们的新方法，并证明它渐近收敛到最佳（非私有）的解决方案，随着数据集的大小。我们通过在人工和真实世界数据集上的实验证实了理论结果。
2022-06-18 cs.CR cs.LG
Differentially Private Feature Release for Wireless Sensing: Adaptive Privacy Budget Allocation on CSI Spectrograms
Kocaeli University（科贾埃利大学）；Sakarya University（萨卡里亚大学）；Yildiz Technical University（伊尔迪兹理工大学）；Istanbul Technical University (ITU)（伊斯坦布尔科技大学）
本文提出了一种针对CSI频谱图的自适应隐私预算分配机制，通过改进的隐私-效用平衡提升无线传感特征发布的安全性与性能。
2025-12-29 cs.CR
Iterative Constructions and Private Data Release
本文研究了在保持差分隐私的同时近似释放图的割函数的问题，给出了交互和非交互两种情况下的新算法（以及对现有算法的新分析）.我们的算法在交互式环境中实现的问题，释放差异私人，近似答案的数据库上的大量查询。我们表明，这个问题的几个算法属于同一个基本框架，并基于存在的对象，我们称之为迭代数据库建设算法。我们给出了一个新的通用框架，其中新的（高效）IDC算法产生新的（高效）交互式私人查询发布机制。我们的模块化分析简化和加强了以前的算法的分析，从而提高了边界。然后，我们给出了一个新的IDC算法（因此，一个新的私人，交互式查询发布机制）的基础上Frieze/Kannan低秩矩阵分解。这种新的发布机制在一系列参数中对先前的工作进行了改进，其中数据库的大小与数据宇宙的大小相当（例如在密集图上发布所有切割查询）。我们还给出了一个非交互式算法，有效地释放私人合成数据的图切割与错误O（|V| ^{1.5}）。我们的算法是基于随机响应和非私有的实现的SDP为基础的，常数因子的近似算法切割范数由于阿隆和Naor。最后，我们给出了一个减少IDC框架的基础上，一个有效的，私人的算法计算足够准确的秩-1矩阵近似将导致一个改进的高效算法释放私人合成数据的图形切割。我们把寻找这样一个算法作为我们的主要开放问题。
2011-07-24 cs.CR cs.DS
Leveraging Public Data for Practical Private Query Release
Carnegie Mellon University（卡内基梅隆大学）；University of Minnesota（明尼苏达大学）；Google Research（谷歌研究院）；Northeastern University（东北大学）
在许多统计问题中，合并先验可以显着提高性能。然而，使用先验知识在不同的私人查询发布仍然未被充分探索，尽管这种先验知识通常以公共数据集的形式提供，如以前的美国人口普查发布。为了发布关于私有数据集的统计数据，我们提出了PMW ^Pub，与现有的基线不同，它利用了从相关分布中提取的公共数据作为先验信息。我们提供了一个理论分析和实证评估的美国社区调查（ACS）和ADESTIC数据集，这表明我们的方法优于国家的最先进的方法。此外，PMW ^Pub可以很好地扩展到高维数据域，其中运行许多现有方法在计算上是不可行的。
2021-06-11 cs.CR cs.DS cs.LG
Disclosure Risk from Homogeneity Attack in Differentially Private Frequency Distribution
差分隐私（DP）提供了一个鲁棒的模型来实现对发布信息的隐私保证。我们通过DP随机化机制研究了净化的多维频率分布对同质性攻击（HA）的保护效力。HA允许攻击者获得其目标的敏感属性的精确值，而不必从发布的数据中识别它们。我们提出了HA的披露风险的措施，并得出DP的隐私损失参数和HA的披露风险之间的封闭形式的关系。的封闭形式的关系的可用性有助于理解DP和隐私损失参数的抽象概念，把它们放在一个具体的隐私攻击的背景下，并提供了一个角度选择隐私损失参数时，采用DP机制在信息消毒和释放在实践中。我们应用封闭形式的数学关系在现实生活中的数据集，以证明披露风险的评估，由于HA在不同的私人消毒频率分布在各种隐私损失参数。
2023-03-11 cs.CR
Causally Constrained Data Synthesis for Private Data Release
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Microsoft Research（微软研究院）
基于证据的决策需要数据。然而，对于现实世界的应用程序，数据的隐私是至关重要的。使用反映原始数据的某些统计特性的合成数据保留了原始数据的隐私。为此，先前的工作利用不同的私有数据发布机制来提供正式的隐私保证。然而，这种机制具有不可接受的隐私与实用性权衡。我们建议将因果信息纳入训练过程，以有利地修改上述权衡。我们从理论上证明，生成模型与额外的因果知识训练提供更强的差分隐私保证。从经验上讲，我们评估我们的解决方案比较不同的模型的基础上变分自动编码器（VAE），并表明因果信息提高了弹性的成员推断，下游效用的改善。
2021-05-27 cs.CR cs.LG
Exploiting Metric Structure for Efficient Private Query Release
我们考虑的问题，私人回答的数据库上定义的查询是属于一些度量空间的点的集合。我们给出了简单的，计算效率高的算法来回答距离查询定义在任意度量。距离查询由度量空间中的点指定，并根据指定的度量要求从查询点到数据库中包含的点的平均距离。我们的算法有效地运行在数据库的大小和维度的空间，并在两个在线查询发布设置，和离线设置，他们必须在多项式时间生成一个固定的数据结构，可以回答所有感兴趣的查询。这代表了线性查询的第一个子类之一，其中高效的算法是已知的私人查询释放问题，规避已知的通用线性查询的硬度结果。
2012-11-30 cs.CR cs.DB cs.DS
Differentially Private Release of Israel's National Registry of Live Births
本文介绍了以色列卫生部首次基于全国活产登记册发布的差分隐私微观数据，提出使用私有选择算法捆绑多个定量需求的方法，为未来差分隐私发布提供了宝贵经验。
2025-02-25 cs.CR cs.CY cs.DS
Managing your Private and Public Data: Bringing down Inference Attacks against your Privacy
我们提出了一个实用的方法来保护用户的私人数据，当他希望公开发布的数据是与他的私人数据，希望得到一些实用程序。我们的方法依赖于一个通用的统计推断框架，捕获推理攻击下的隐私威胁，给定的效用约束。在这个框架下，根据隐私保护概率映射，数据在发布之前会被扭曲。该映射通过求解凸优化问题来获得，该凸优化问题在失真约束下最小化信息泄漏。我们解决实际遇到的挑战时，将这一理论框架应用于现实世界的数据。一方面，最优隐私保护机制的设计需要知道连接私有数据和要发布的数据的先验分布，这在实践中通常是不可用的。另一方面，当数据采用大尺寸字母表中的值或高维时，优化可能变得难以处理并且面临可扩展性问题。我们的工作有三大贡献。首先，我们提供了一个不匹配的先验的隐私效用权衡的影响的界限。其次，我们展示了如何通过引入量化步长来减少优化的大小，以及如何在量化下生成隐私映射。第三，我们在三个数据集上评估了我们的方法，包括我们收集的一个新数据集，显示了政治信念和电视观看习惯之间的相关性。我们证明，可以实现良好的隐私属性与有限的失真，以便不破坏公开发布的数据，例如建议的原始目的。
2014-08-16 cs.CR
Bistochastically private release of data streams with zero delay
本文针对连续数据流提出一种基于双随机随机化回答的匿名化协议，通过基本合理否认性实现零延迟的个体原子化处理，并提供形式化隐私保证。
2024-02-25 cs.CR
Benchmarking Private Population Data Release Mechanisms: Synthetic Data vs. TopDown
本文首次对TopDown算法与差分隐私合成数据生成进行正面对比评测，发现TopDown在分布内查询上隐私-保真度权衡显著优于合成数据方法，误差至少低20倍，并为从业者提供选型指导。
2024-04-02 cs.CR
Visualizing Privacy-Utility Trade-Offs in Differentially Private Data Releases
各组织经常收集私人数据，并为公众的利益发布汇总统计数据。如果不采取保护隐私的措施，攻击者可能会使用发布的统计数据来推断有关私人数据集中描述的个人的未经授权的信息。不同的隐私算法通过用噪声稍微扰动底层统计数据来解决这一挑战，从而在数学上限制了可以从每个数据发布中推断出的信息量。正确校准这些算法--以及数据集中描述的人的披露风险--需要数据管理者为隐私预算参数$ε$选择一个值。然而，很少有正式的指导选择$ε$，一个任务，需要推理的概率隐私效用权衡。此外，在统计推断的上下文中选择$ε$需要在存在测量误差和差分隐私（DP）噪声两者的情况下推理关于准确性权衡。我们提出了可视化隐私（VIP），一个交互式界面，可视化之间的关系$ε$，准确性和披露风险，以支持设置和分裂$ε$查询。当用户调整$ε$时，ViP动态更新描述预期准确性和风险的可视化。ViP还具有推理设置，允许用户推理DP噪声对统计推理的影响。最后，我们提出了一项研究的结果，其中16个研究从业者很少或没有DP背景完成了一组相关的任务设置$ε$使用VIP和控制。我们发现，VIP可以帮助参与者更正确地回答与判断DP噪声释放可能下降的概率以及DP噪声和非私人置信区间之间的比较相关的问题。
2022-01-16 cs.CR cs.HC
Differentially Private Release of Event Logs for Process Mining
流程挖掘技术的适用性取决于捕获业务流程执行的事件日志的可用性。在某些用例中，特别是涉及面向客户的流程的用例，这些事件日志可能包含私人信息。数据保护法规限制将此类事件日志用于分析目的。规避这些限制的一种方法是将事件日志匿名化，使匿名日志无法单独识别任何个人。本文解决了匿名化事件日志的问题，以保证在发布匿名日志时，攻击者可能挑出原始日志中表示的任何个人的概率不会增加超过阈值。本文提出了一种差分隐私发布机制，该机制对日志中的案例进行采样，并在达到上述隐私保证所需的程度上向时间戳添加噪声。文章报告的实证比较所提出的方法对国家的最先进的方法，使用14个现实生活中的事件日志的数据效用损失和计算效率。
2022-12-15 cs.CR cs.SE
Privately Counting Partially Ordered Data
针对满足偏序的$d$比特数据的差分隐私计数问题，提出一种时间复杂度$O(d^2)$的问题专用$K$-范数机制，实验显示其误差比现有纯差分隐私机制低一个数量级以上。
2024-10-09 cs.CR
Propose, Test, Release: Differentially private estimation with high probability
Columbia University, Department of Statistics（哥伦比亚大学统计系）；ENSAE ParisTech, Department of Statistics（巴黎高等经济商业学院统计系）
基于Dwork和Lei（2009）提出的“建议、检验、发布”（PTR）机制，我们推导了差分私有中位数和均值估计量的集中不等式。我们引入了一个新的通用版本的PTR机制，使我们能够获得高概率的误差界差分私人估计。我们的算法提供了第一个统计保证差异私人估计的中位数和平均值没有任何有界性假设的数据，而不假设目标人口参数位于一些已知的有界区间。我们的程序不依赖于任何截断的数据，并提供了第一个亚高斯高概率界差分私人中位数和均值估计，可能重尾随机变量。
2020-02-19 cs.CR cs.LG math.ST
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
Utility Preserving Secure Private Data Release
差分隐私机制也使数据的重建变得不可能，这是有代价的-效用降低。在本文中，我们通过设计一个私有数据发布机制来解决这个问题，该机制使原始数据的重建变得不可能，并且还保留了广泛的机器学习算法的实用性。我们这样做，结合约翰逊-林登施特劳斯（JL）变换与噪声产生的拉普拉斯分布。虽然JL变换本身可以提供隐私保证\cite{blocki2012johnson}，使重建不可能，我们不依赖于它的差分隐私属性，只利用它的能力，使重建不可能。我们提出了新的证据表明，我们的机制是不同的隐私下的单个元素的变化，以及单行的变化，任何数据库。为了显示实用性，我们证明了我们的机制在期望中保持点之间的成对距离，并且还表明其方差与我们将数据投影到的子空间的维度成比例。最后，我们通过实验展示了我们的机制部署在集群任务上的实用性。
2019-03-15 cs.CR cs.DS
Differentially Private Continual Release of Graph Statistics
出于了解敏感的社交网络随着时间的推移的动态，我们考虑的问题，不断发布的统计数据在网络上到达，同时保护其参与者的隐私。对于我们的隐私概念，我们使用差分隐私--统计数据分析的隐私黄金标准。这个问题的主要挑战是保持良好的隐私-效用权衡;跨时间组合的幼稚解决方案以及适合表格数据的解决方案要么导致效用差，要么不直接适用。在这项工作中，我们表明，如果在整个网络序列中任何节点的最大度上存在一个公开的上限，那么我们可以连续发布许多常见的图统计数据，如度分布和子图计数，并具有更好的隐私准确性权衡。代码可在https://bitbucket.org/shs037/graphprivacycode获得
2018-09-19 cs.CR cs.DS
Differentially Private Data Release over Multiple Tables
研究多表差分隐私合成数据发布问题，提出一种通用算法并证明其在常用隐私参数下对简单查询实现参数化最优，针对分层连接利用均匀化敏感度进一步提升效用。
2023-06-27 cs.CR cs.DB
Scalable Differentially Private Sketches under Continual Observation
Data61 CSIRO Australia（澳大利亚数据六十一公司）
本文提出 Lazy Sketch 方法，通过延迟更新减少计算开销，提升高速流应用中连续观察差分隐私的实用性。
2025-12-09 cs.CR
Sublinear Space Graph Algorithms in the Continual Release Model
针对连续发布模型中边差分隐私图算法的不足，本文利用稀疏化技术提出亚线性空间算法，输出顶点子集解决方案并获新成果，还给出全动态场景下界。
2025-04-16 cs.CR cs.DS
Multi-tier Differential Private Query Release
Guangzhou University（广州大学）；Sun Yat-sen University（中山大学）
针对不同隐私预算下的相同查询，提出一种多层差分隐私查询发布框架，通过噪声分布特征函数和模板策略，在控制累积隐私损失的同时实现最优效用。
2026-06-18 cs.CR
Dual Query: Practical Private Query Release for High Dimensional Data
我们提出了一个实用的，差分隐私算法回答了大量的高维数据集上的查询。像所有用于此任务的算法一样，我们的算法在数据维度上必然具有最坏情况的复杂度指数。然而，我们的算法将计算上困难的步骤打包成一个简洁定义的整数规划，可以使用标准求解器非私下解决。我们证明了我们的算法的准确性和隐私定理，然后通过实验证明，我们的算法在实践中表现良好。例如，我们的算法可以高效准确地回答Netflix数据集上的数百万个查询，该数据集具有超过17，000个属性;这是对现有技术的多个数量级的改进。
2015-11-19 cs.CR cs.DB cs.DS
Almost linear time differentially private release of synthetic graphs
Nanjing University（南京大学）；Rutgers University（罗格斯大学）
本文提出首个近线性时间与空间复杂度的差分隐私算法，通过从指数机制采样生成合成图，近似原图的割与谱，其复杂度与非隐私设置匹配且效用不减，并支持持续观察下的隐私图分析。
2024-06-04 cs.CR cs.DS cs.LG
PCOR: Private Contextual Outlier Release via Differentially Private Search
异常检测在入侵、故障和欺诈检测等实际应用中起着重要的作用。传统上，离群值检测技术被应用于在整个数据集的上下文中发现离群值。然而，这种做法忽略了上下文离群值，即不是整个数据集中的离群值，而是某些特定邻域中的离群值。背景离群值在数据探索和有针对性的异常解释和诊断中特别重要。在这些场景中，数据所有者计算以下信息：i）有助于异常值的异常的属性（度量），ii）异常值的邻域的上下文描述（上下文），以及iii）上下文的效用分数，例如其在显示异常值的显著性方面的强度，或者与异常值的特定解释有关。然而，揭示离群值的上下文也会泄露人口中其他个体的信息，侵犯他们的隐私。我们在本文中解决人口隐私侵犯的问题，并提出了两个主要挑战的解决方案。在此设置中，数据所有者需要为查询的记录发布有效上下文，即记录是离群值的上下文。因此，第一个主要挑战是隐私技术必须保持每个记录的上下文的有效性。我们提出的技术，以保护个人的隐私，通过一个宽松的概念，差分隐私，以满足这一要求。第二个主要挑战是有效地应用所提出的技术，因为它们对基本算法施加了密集的计算。为了克服这一挑战，我们提出了一个图结构来映射的上下文，并引入差分隐私图搜索算法作为有效的解决方案所造成的计算问题的差分隐私技术。
2021-03-09 cs.CR cs.DB
Adaptive Private-K-Selection with Adaptive K and Application to Multi-label PATE
UC Santa Barbara（加州大学圣巴巴拉分校）
我们提供了一个端到端的基于Renyi DP的框架，用于差异化的私有顶级$k$选择。与以前的方法，这需要一个数据独立的选择$k$，我们建议私下发布一个数据依赖的选择$k$，$k$ -th和$(k+1)$ st“质量”之间的差距是大的。这是通过Report-Noisy-Max的新应用实现的。这不仅消除了一个超参数，$k$的自适应选择还证明了无序集合中顶部$k$索引的稳定性，因此我们可以使用提议测试释放（PTR）的变体释放它们而不添加噪声。我们表明，我们的建设提高了隐私效用的权衡比以前的顶部$k$选择算法的理论和经验。此外，我们将我们的算法应用于“教师合奏的私人聚合（PATE）”在多标签分类任务与大量的标签，并表明它会导致显着的性能增益。
2022-03-30 cs.CR cs.LG
Release Connection Fingerprints in Social Networks Using Personalized Differential Privacy
在社交网络中，不同的用户可能具有不同的隐私偏好，并且存在许多具有公共身份的用户。大多数关于差异化私人社交网络数据发布的工作都忽略了这一事实。我们的目标是在用户级个性化隐私偏好下，发布私人用户在n跳内连接的公共用户数量，称为n范围连接指纹（CFPs）。针对基于个性化差分隐私（PDP）的CFPs的隐私保护发布，提出了基于距离的指数预算吸收（DEBA）和基于距离的阶梯函数均匀预算吸收（DUBA-LF）两种方案，并对这两种方案的隐私保护性能进行了理论分析.在真实数据集上的实验结果表明，该方案在发布错误方面具有较好的性能。
2017-11-24 cs.CR
Renyi Differential Privacy of Propose-Test-Release and Applications to Private and Robust Machine Learning
Princeton University（普林斯顿大学）；Virginia Tech（弗吉尼亚理工大学）
提议-测试-发布（PTR）是一个差分隐私框架，它使用函数的局部敏感性，而不是它们的全局敏感性。该框架通常用于以差异化的私有方式发布稳健的统计数据，例如中位数或修剪均值。虽然PTR是十多年前引入的一个通用框架，但在鲁棒SGD等需要许多自适应鲁棒查询的应用程序中使用它是具有挑战性的。这主要是由于缺乏Renyi差分隐私（RDP）分析，这是差异隐私深度学习的矩会计方法的基本成分。在这项工作中，我们推广了标准PTR，并推导出第一RDP界时，目标函数具有有界的全局灵敏度。我们表明，我们的RDP约束PTR产生更严格的DP保证比直接分析的$(\eps, δ)$ -DP。我们还推导出算法特定的隐私放大界限的PTR下采样。我们表明，我们的界是更严格的比一般的上限和接近下限。我们的RDP界限，使更严格的隐私损失计算组成的许多自适应运行的PTR。作为我们的分析的应用，我们表明，PTR和我们的理论结果可以用来设计不同的私人变量拜占庭强大的训练算法，使用强大的统计梯度聚合。我们在不同的数据集和架构上对标签，特征和梯度腐败的设置进行了实验。我们表明，基于PTR的私人和强大的训练算法显着提高了效用相比，基线。
2022-09-16 cs.CR cs.LG
U.S. Broadband Coverage Data Set: A Differentially Private Data Release
宽带连接是当今经济的一个关键指标。在数字经济快速扩张的时代，它直接影响GDP。此外，在COVID-19社交距离指引下，互联网连接成为日常活动（如工作、学习及与家人和朋友保持联系）的必要条件。本文介绍了一个公开的美国宽带覆盖数据集，报告在邮政编码水平的宽带覆盖率。我们还解释了我们如何使用差分隐私来保证各个家庭的隐私得到保护。我们的数据集还包含误差范围估计，提供每个邮政编码的差分隐私引入的预期误差的信息。我们描述了我们的误差范围计算方法，并表明，这种额外的数据度量不会引起任何隐私损失。
2021-04-01 cs.CR stat.AP
Post-processing of Differentially Private Data: A Fairness Perspective
Georgia Institute of Technology（佐治亚理工学院）；Syracuse University（雪城大学）
后处理免疫性是差分隐私的一个基本属性：它使任意数据独立的转换到差异隐私输出，而不影响其隐私保证。后处理通常用于数据发布应用程序，包括普查数据，然后用于产生重大社会影响的分配。本文表明，后处理会对个人或群体产生不同的影响，并分析了两个关键设置：发布差异化的私有数据集，以及将这些私有数据集用于下游决策，例如美国人口普查数据所告知的资金分配。在第一种设置中，本文提出了传统后处理机制的不公平性的严格界限，为决策者提供了一个独特的工具来量化其发布所带来的不同影响。在第二种情况下，本文提出了一种新的后处理机制，是（近似）在不同的公平性指标下的最佳，无论是减少公平性问题大大降低或降低隐私的成本。人口普查数据的数值模拟的理论分析的补充。
2022-01-24 cs.AI cs.CR
Differentially Private Query Release Through Adaptive Projection
Amazon AWS AI/ML（亚马逊云科技人工智能与机器学习部门）；Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
我们提出，实施，并评估一个新的算法，用于释放答案非常大量的统计查询，如$k$方式的边缘，受到差分隐私。我们的算法自适应地使用了投影机制的连续松弛，该机制使用简单的扰动来回答对私有数据集的查询，然后尝试找到最接近噪声答案的合成数据集。我们使用合成数据集域的连续松弛，这使得投影损失可微，并允许我们使用有效的ML优化技术和工具。我们不是预先回答所有的查询，而是通过迭代和自适应地找到我们的（放松的）合成数据具有高误差的查询，然后重复投影，来明智地使用我们的隐私预算。我们在一系列参数和数据集上进行了广泛的实验评估，发现我们的方法在许多情况下优于现有的算法，特别是当隐私预算很小或查询类很大时。
2021-06-23 cs.CR cs.LG
Private Continual Release of Real-Valued Data Streams
我们提出了一种不同的私有机制来显示统计信息（例如，移动平均值），其中每个观测值的界限要么过于保守，要么事先未知。这与实时数据监测和报告的场景特别相关，例如，通过智能电表获取能源数据。我们的重点是真实世界的数据流，其分布是轻尾的，这意味着尾部接近零至少与指数分布一样快。对于这样的数据流，预计单个观测值将集中在未知阈值以下。从数据中估计这个阈值可能会侵犯隐私，因为它会揭示与个人相关的特定事件[1]。另一方面，过于保守的阈值可能会通过添加比必要的更多的噪声来影响准确性。我们构造了一个效用优化的差分隐私机制，以释放这个阈值的基础上的输入流。与最先进的算法相比，我们的主要优势在于，添加到流的每个观察结果中的噪声被缩放到阈值，而不是可能更大的界限;当差异显着时，会导致相当大的效用增益。使用两个真实世界的数据集，我们证明了我们的机制，平均而言，提高了3.5倍的第一个数据集上的效用，和9对其他。虽然我们的主要重点是持续发布统计数据，但我们发布阈值的机制可以用于其他各种应用程序，其中需要对输入分布的规模进行（隐私保护）测量。
2018-11-08 cs.CR cs.DS
Syfer: Neural Obfuscation for Private Data Release
Massachusetts Institute of Technology（麻省理工学院）；Maynooth University（梅努斯大学）
平衡隐私和预测效用仍然是医疗保健领域机器学习的核心挑战。在本文中，我们开发了Syfer，一种神经混淆方法，以防止重新识别攻击。Syfer将训练层与随机神经网络组合在一起，以编码原始数据（例如X射线），同时保持从编码数据预测诊断的能力。编码器中的随机性充当数据所有者的私钥。我们将隐私量化为重新识别单个图像（猜测）所需的攻击者猜测次数。我们提出了一个对比学习算法来估计猜测。我们的经验表明，差分隐私的方法，如DP图像，获得隐私的效用显着损失。相比之下，Syfer在保持实用性的同时实现了强大的隐私。例如，用DP图像、Syfer和原始数据构建的X射线分类器分别实现了0.53、0.78和0.86的平均AUC。
2022-01-28 cs.CR cs.CV cs.LG
Power Mechanism: Private Tabular Representation Release for Model Agnostic Consumption
MIT（麻省理工学院）；MBZUAI（穆斯林人工智能研究所）；EPFL（苏黎世联邦理工学院）
提出一种联合学习隐私编码网络与效用生成网络的方法，生成具有差分隐私保证的嵌入，实现模型无关的私有表格表示发布，仅需一轮通信且客户端计算量更少。
2025-10-07 cs.CR cs.LG
Private Query Release via the Johnson-Lindenstrauss Transform
基于Johnson-Lindenstrauss引理，提出了一种新的基于差分隐私的统计查询答案发布方法.其关键思想是将查询答案随机投影到一个较低维的空间中，使得任意两个可行查询答案向量之间的距离保持到一个加性误差。然后，我们使用一个简单的噪声添加机制来回答投影查询，并将答案提升到原始维度。使用这种方法，我们给，第一次，纯粹的差分私人机制，最佳的最坏情况下的样本复杂性平均错误回答工作量的$k$查询的大小$N$的宇宙。作为其他应用，我们给出了第一个纯私人的有效机制，最佳样本复杂度计算的协方差有界高维分布，并回答2路边际查询。我们还表明，到依赖的错误，我们的机制的一个变种是几乎最佳的每一个给定的查询工作量。
2022-08-15 cs.CR cs.DS cs.LG
Enforcing Demographic Coherence: A Harms Aware Framework for Reasoning about Private Data Release
本文提出人口统计一致性作为数据隐私的必要条件，构建损害感知框架以刻画无显式攻击时的隐私威胁，并证明该条件弱于差分隐私。
2026-11-10 cs.CR cs.DB
Decentralized Release of Self-emerging Data using Smart Contracts
在大数据时代，在未来某个时间点发布受保护的敏感数据对于各种应用程序至关重要。这种自发数据发布要求数据在规定的数据发布时间之前受到保护，并且在发布时间自动发布给接收方，即使数据发送方离线。虽然直接的集中式方法提供了问题的基本解决方案，但不幸的是，它们仅限于单个信任点，并且涉及单个控制点。本文介绍了在以太坊区块链网络中使用智能合约支持自涌现数据的去中心化技术。我们设计了一个可信的和可执行的智能合约，以支持自我涌现的数据发布。智能合约采用一组以太坊节点共同遵循所提出的定时发布服务协议，允许参与节点获得服务用户支付的报酬，将问题建模为不完全信息的扩展形式博弈，以防止可能的对抗攻击，包括一些节点破坏私有数据（丢弃攻击）或在释放时间之前秘密地释放私有数据（提前释放攻击）。我们通过严格的分析和实验评估证明了所提出的技术的有效性和攻击恢复能力。我们在以太坊官方测试网络上的实现和实验评估证明了与所提出的方法相关的低货币成本和低时间开销，并验证了其有保证的安全性。
2019-02-14 cs.CR
Time-Aware Projections: Truly Node-Private Graph Statistics under Continual Observation
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
A Minimax Distortion View of Differentially Private Query Release
我们考虑的问题，通过合成数据库的方法不同的私人查询释放。离开现有的方法，需要查询集被指定在事先，我们主张设计查询集独立的机制，提供准确的答案，同时满足隐私的限制，在一个通用的查询类的所有查询的雄心勃勃的目标。具体地说，差分私有机制被构造为“编码”到合成数据库中的丰富的随机结构，和“定制”的同伴估计器，然后导出提供准确的答案，通过利用所有可用的信息，包括机制（这是公共信息）和查询功能。因此，在最坏情况下的查询在一般的查询类中，这种机制的最好的失真，所谓的最小最大失真，提供了一个基本特征的差异私人查询释放。对于一般类的统计查询，我们证明了与平方误差失真措施，极小极大失真是$O(1/n)$通过推导渐近紧的上限和下限的制度，数据库大小$n$走向无穷大。上界是可实现的机制$\mathcal{E}$及其相应的同伴估计，这直接指向所提出的方法在大型数据库中的可行性。我们进一步评估的机制$\mathcal{E}$和同伴估计通过实验从Netflix和Facebook的真实数据集。实验结果表明，改进的最先进的MWEM算法和验证的缩放行为$O(1/n)$的极大极小失真。
2014-12-01 cs.CR cs.DB cs.IT
Distributed and Private Textual Data Synthesis from Embeddings
Inria（法国国家信息与自动化研究所）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Brave Software（Brave软件公司）；National University of Singapore（新加坡国立大学）
针对分布式场景下无可信策展人的差分隐私文本合成难题，提出DP与密码学协同设计，通过一次性DP摘要与安全协议实现轻量级参与，在四个基准上达到集中式方法的效用。
2026-09-18 cs.CR
Aim High, Stay Private: Differentially Private Synthetic Data Enables Public Release of Behavioral Health Information with High Utility
University of Vermont（佛蒙特大学）
本文利用差分隐私技术生成合成数据，在保障隐私的同时，使行为健康信息的公开发布保持高实用性，通过评估不同隐私预算下的数据集，确定隐私与实用性的平衡点。
2025-06-30 cs.CR cs.CY
Preserving Target Distributions With Differentially Private Count Mechanisms
UC Berkeley Center for Effective Global Action（加州大学伯克利分校全球有效行动中心）；UC Berkeley School of Information（加州大学伯克利分校信息学院）
针对差分隐私计数表发布中分布准确性问题，提出两阶段框架：第一阶段用循环拉普拉斯机制估计真实计数分布，第二阶段用ε-尺度构建转移矩阵，实现分布准确性与计数准确性、运行时的平衡。
2026-06-26 cs.CR
Trinqet: Private Triangle and Quadrangle Counting over Distributed Graphs
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
Trinqet提出MPC友好的稀疏感知算法，在恶意威胁模型下实现分布式图的私有三角形和四边形计数与枚举，性能优于基线达10^5倍。
2026-09-15 cs.CR
Locally Private Subgraph Counting via Noisy Adjacency Matrix and Differential Privacy on Randomized Data
Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Beijing Jiaotong University（北京交通大学）；National Health Data Institute, Shenzhen（深圳市国家健康数据研究院）
本文针对无可信服务器/洗牌器的边局部差分隐私子图计数难题，提出NAM与DPRD框架，设计多类子图计数估计器，推导误差界并经实验验证其性能优于现有基线。
2026-08-27 cs.CR
Fast Private Data Release Algorithms for Sparse Queries
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）
我们重新审视的问题，准确地回答大类的统计查询，同时保持差分隐私。以前的方法来解决这个问题已经非常普遍，但没有运行时多项式的数据库的大小，只适用于非常有限的类的查询，或放宽了最坏情况下的错误保证的概念。在本文中，我们考虑了大类的稀疏查询，它采取非零值的多项式许多宇宙元素。我们给出了高效的查询释放算法，这类，在交互式和非交互式设置。我们的算法也实现了更好的准确性界限比以前的一般技术时，适用于稀疏查询：我们的界限是独立的宇宙大小。事实上，即使是我们的交互机制的运行时是独立的宇宙的大小，因此可以在“无限宇宙”模型中实现，其中没有有限的宇宙需要指定的数据管理员。
2011-11-29 cs.CR cs.DS cs.LG
Privacy-preserving data release leveraging optimal transport and particle gradient descent
ETH Zürich（苏黎世联邦理工学院）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文提出PrivPGD方法，利用最优传输和粒子梯度 descent进行差分隐私数据合成，在多个数据集上优于现有方法，具备高可扩展性和领域约束灵活性。
2024-07-29 cs.CR cs.LG
Differentially Private Data Release on Graphs: Inefficiencies and Unfairness
University of Virginia（弗吉尼亚大学）；Georgia Institute of Technology（佐治亚理工学院）
本文研究图网络中差分隐私边权发布对最短路径推荐的影响，揭示隐私噪声导致的误差、偏差及跨群体不公平，并提供理论与实证依据。
2024-08-08 cs.AI cs.CR cs.CY
Shortest Paths and Distances with Differential Privacy
我们引入了一个模型，用于差分私有分析的加权图中，图的拓扑$(V,E)$被假定为是公共的，私有信息只包括边的权重$w:E\to\mathbb{R}^+$。这可以表示在已知的道路系统中隐藏的拥塞模式。差分隐私要求算法的输出几乎没有提供任何优势（通过隐私参数$ε$和$δ$来衡量），用于区分相邻输入，这些输入被认为是在一个人的贡献上不同的输入。在我们的模型中，两个权重函数$w,w'$被认为是相邻的，如果它们的$\ell_1$距离最多为1。研究了一对顶点之间的最短路径的秘密释放问题和所有顶点之间的近似距离的秘密释放问题。我们关心的是近似误差，即释放路径或释放距离的长度与最短路径或实际距离的长度之间的差异。对于私下释放一对顶点之间的最短路径，我们证明了$Ω(|V|)$关于固定$ε,δ$的加性逼近误差的一个下界。我们提供了一个差分私有算法，匹配这个错误绑定到一个对数因子，并释放所有对顶点之间的路径。我们的算法的近似误差可以由最短路径上的边的数量来限制，所以我们实现了更好的精度比最坏情况下的边界的顶点对连接的低权重路径与$o(|V|)$顶点。对于私人释放所有对距离，我们表明，对于树，我们可以释放所有的距离与近似误差$O(\log^{2.5}|V|)$为固定的隐私参数。对于任意边权在$[0,M]$中的有界权图，我们可以释放所有具有近似误差$\tilde{O}(\sqrt{|V|M})$的距离。
2016-04-20 cs.CR cs.DS
Continual Release of Differentially Private Synthetic Data from Longitudinal Data Collections
针对纵向数据持续发布的隐私问题，提出持续合成数据生成算法，支持固定时间窗口和累积时间查询，误差率近紧，并在美国普查数据上验证性能。
2024-05-24 cs.CR cs.CY cs.DS
Improved Utility Analysis of Private CountSketch
草绘是处理稀疏（或由稀疏向量很好地近似）的高维向量的重要工具，在分布式、并行和流设置中特别有用。众所周知，草图可以通过根据草图的敏感性添加噪声来进行差异化隐私，并且这已经用于隐私分析和联邦学习设置中。差分隐私的后处理属性意味着从草图计算的所有估计可以在给定的隐私预算内发布。在本文中，我们考虑了经典的CountSketch，差分私有的高斯机制，并给出了一个改进的分析，其估计误差。也许令人惊讶的是，隐私-效用权衡基本上是人们所希望的最好结果，与CountSketch中的重复次数无关：错误几乎与非私有CountSketch的错误相同，加上在原始高维域中使向量私有所需的噪声。
2022-10-12 cs.CR cs.DS
Reconstruction Attack on Differential Private Trajectory Protection Mechanisms
由智能手机和其他设备收集的位置轨迹代表了诸如基于位置的服务之类的应用的有价值的数据源。同样，轨迹有可能揭示关于个人的敏感信息，例如，宗教信仰或性取向因此，轨迹数据集需要适当的净化。由于其强大的理论隐私保障，差异化的私人出版机制备受关注。然而，实现差分隐私所需的大量噪声产生了结构差异，例如，飞船在陆地上空的飞行轨迹我们提出了一种基于深度学习的受保护轨迹重构攻击（RAoPT），利用上述差异从差异私有发布中部分重构原始轨迹。评估表明，我们的RAoPT模型可以减少超过68%的释放和原始轨迹之间的欧几里得和豪斯多夫距离的保护下，与$\varepsilon \leq 1$的两个真实世界的数据集。在此设置中，攻击将表示用户活动空间的轨迹的凸包的平均Jaccard指数增加超过180%。在GeoLife数据集上进行训练后，该模型仍然可以将T-Drive轨迹的欧几里德距离和豪斯多夫距离减少60%以上，这些轨迹受到最先进的机制（$\varepsilon = 0.1$）的保护。这项工作突出了目前的轨迹出版机制的缺点，从而激励隐私保护出版计划的进一步研究。
2022-10-17 cs.CR
