BriefGPT - AI 论文速递
·
超越统计估计：洗牌模型中的差分隐私个体计算
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
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，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，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比宣传的ε值低，至少在报告经过匿名化的情况下。
🎯
关键要点
- 研究本地差分隐私模型下敏感统计信息的收集。
- 提出一种算法，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，展示LDP算法在中心式差分隐私模型下的隐私成本更低。
- 新的隐私放大技术证明任何置换不变的算法同时满足局部和中心差分隐私。
- 研究结果表明，基于LDP的工业部署的隐私成本低于宣传的ε值，尤其是在报告经过匿名化的情况下。
➡️
