使旧事焕新:差分隐私聚类的统一算法
原文中文,约300字,阅读约需1分钟。发表于: 。20 年前的算法经过轻微修改,适用于各种隐私模型,匹配几乎所有已知结果,改进了一些结果并扩展到新的隐私模型,即连续观测环境。
本文研究了本地差分隐私模型下敏感统计信息的收集,提出了一种算法,其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告,我们展示了中心式差分隐私模型下的LDP算法的隐私成本更低。通过新的隐私放大技术,我们证明了任何置换不变的算法,满足ε局部差分隐私的同时,也会满足(O(ε sqrt {log(1/δ)/n)},δ)中心差分隐私。研究结果表明,基于LDP的工业部署的隐私成本会比宣传的ε值所表示的要低得多。