Renyi 差分隐私在混洗模型中的应用：增强的放大边界
基本信息
- 标题：Renyi Differential Privacy in the Shuffle Model: Enhanced Amplification Bounds
- 作者：E Chen、Yang Cao、Yifei Ge
- 提交日期：2024 年 1 月 9 日
- 发表信息：已被 ICASSP 2024 接收
- arXiv 编号：arXiv:2401.04306 [math.CO]
- DOI：https://doi.org/10.48550/arXiv.2401.04306
摘要
差分隐私（Differential Privacy, DP）的混洗模型（shuffle model）因在隐私与效用之间取得了显著的权衡，在隐私保护数据分析领域受到了广泛关注。该模型的特点是在每个用户的本地差分隐私扰动之后增加一个混洗（shuffling）过程，从而产生隐私放大效应：在将全部 n 个用户的扰动数据混洗后，较小噪声水平（记为 ε₀）的隐私保证可以被增强至 O(ε₀/√n)（该值越小，隐私性越强）。混洗 DP 领域的大多数研究聚焦于证明更紧的隐私放大保证。然而，现有结果均假设本地隐私预算 ε₀ 处于有限范围内；此外，隐私放大的最紧下界与已知上界之间仍存在差距。
本文通过以下贡献推进了该领域的最新进展：
- 首次给出了混洗模型下 Renyi 差分隐私（RDP）在不对 ε₀ 施加约束情况下的渐近最优分析。
- 引入假设检验方法用于分析通过混洗实现的隐私放大，提供了一种独特的分析技术和更紧的上界。
- 进一步提出了一种基于 RDP 的 DP-SGD 算法。实验表明，在相同隐私水平下，该方法显著优于现有方法。
主题分类
- 主要分类：Combinatorics (math.CO)
- 评论：已被 ICASSP 2024 接收
全文链接
- PDF：https://arxiv.org/pdf/2401.04306
- HTML（实验性）：https://arxiv.org/html/2401.04306v1