克服差分隐私线性查询中的随机性-效用权衡
Overcoming the Randomness-Utility Trade-off in Answering Differentially Private Linear Queries
- Cornell University（康奈尔大学）
- Google Research（谷歌研究院）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究针对差分隐私线性查询，提出了随机高效的‖·‖_K范数机制，其在ℓ_∞误差下优于现有算法且在ε≤1/d时最优，还给出了计算高效的版本。
AI中文摘要：
我们研究使用少量（期望）随机位实现差分隐私线性查询回答的问题。我们提出了Hardt和Talwar[HT10]的‖·‖_K范数机制的随机高效类似版本。对于ℓ_∞误差，我们的算法可回答d个线性查询，误差为O(d/ε)，使用O(log d)个随机位，优于Canonne等人和Ghentiyala[CSV25, Ghe26]的算法；当ε≤1/d时，该结果是最优的。我们还提供了算法的计算高效版本，不过误差会有O(log d)的乘法级增加。
英文摘要：
We study the question of answering linear queries with differential privacy using few (expected) random bits. We provide a randomness-efficient analog of the $\| \cdot \|_K$-norm mechanism of Hardt and Talwar [HT10]. For the $\ell_\infty$-error, our algorithm can answer $d$ linear queries with $O(d / \varepsilon)$ error using $O(\log d)$ random bits, improving upon algorithms of Canonne et al. and Ghentiyala [CSV25, Ghe26]; this is optimal when $\varepsilon \le 1/d$. We also provide a computationally efficient version of our algorithm, albeit with an $O(\log d)$ multiplicative increase in the error.
