[論文レビュー] Connecting Robust Shuffle Privacy and Pan-Privacy
本稿は、パンプライバシーの下界を用いて、ロバストシャッフルプライバシーのプロトコルに対する下界を導出できることを示すことで、ロバストシャッフルプライバシーとパンプライバシーの間の形式的関係を確立している。本稿では、重複要素の数え上げと一様性テストのための新しいロバストシャッフルプライベートプロトコルを提示し、それぞれがΩ(√k/ε)の加法的誤差とΩ(k²ᐟ³)のサンプル複雑性を必要とすることが示されている。これは、パンプライベートアルゴリズムの性能限界と一致する。
In the \emph{shuffle model} of differential privacy, data-holding users send randomized messages to a secure shuffler, the shuffler permutes the messages, and the resulting collection of messages must be differentially private with regard to user data. In the \emph{pan-private} model, an algorithm processes a stream of data while maintaining an internal state that is differentially private with regard to the stream data. We give evidence connecting these two apparently different models. Our results focus on \emph{robustly} shuffle private protocols, whose privacy guarantees are not greatly affected by malicious users. First, we give robustly shuffle private protocols and upper bounds for counting distinct elements and uniformity testing. Second, we use pan-private lower bounds to prove robustly shuffle private lower bounds for both problems. Focusing on the dependence on the domain size $k$, we find that robust approximate shuffle privacy and approximate pan-privacy have additive error $Θ(\sqrt{k})$ for counting distinct elements. For uniformity testing, we give a robust approximate shuffle private protocol with sample complexity $ ilde O(k^{2/3})$ and show that an $Ω(k^{2/3})$ dependence is necessary for any robust pure shuffle private tester. Finally, we show that this connection is useful in both directions: we give a pan-private adaptation of recent work on shuffle private histograms and use it to recover further separations between pan-privacy and interactive local privacy.
研究の動機と目的
- ロバストシャッフルプライバシーとパンプライバシーの間の理論的関係を確立し、一方のモデルにおける下界が他方のモデルに影響を与えることを示すこと。
- 悪意あるユーザー行動に対しても強固なプライバシー保証を有する、2つの基本的問題である重複要素の数え上げと一様性テストのためのロバストシャッフルプライベートプロトコルを設計すること。
- 特に誤差とサンプル複雑性の観点から、パンプライベートアルゴリズムの性能限界がロバストシャッフルプライベートプロトコルに対しても同様に制限を及えることを示すこと。
- パンプライベートアルゴリズムとロバストシャッフルプライベートプロトコルとの間の変換可能性を検討し、このような変換を可能にする構造的条件を同定すること。
提案手法
- 問題が偽物または希釈されたデータ入力に対して耐性を示すことに着目し、パンプライベートの下界を適応して、ロバストシャッフルプライベートプロトコルの新しい下界を導出する。
- ノイズを含むOR関数と二項ノイズを用いて、重複要素の数え上げのためのロバストシャッフルプライベートプロトコルを構築し、O(√k/ε)の加法的誤差を達成する。
- ノイズ注入とプライバシー制約下での統計的検定を組み合わせることで、一様性テストのためのロバストシャッフルプライベートテストャーを設計し、Õ(k²ᐟ³)のサンプル複雑性を達成する。
- 最近のシャッフルプライベートヒストグラム構築手法をパンプライベート設定に適応し、二項ノイズを用いて、O(1/ε² log(1/δ))のℓ∞誤差でエンドツーエンドのプライバシーを保証する。
- 合成定理と後処理不変性を用いて、ストリーム更新の過程で内部状態と出力が差分プライバシーの性質を保つように保証する。
- パンプライベートアルゴリズムからロバストシャッフルプライベートプロトコルへの構造的変換を適用し、ノイズ生成と集約のパターンにおける類似性を強調する。
実験結果
リサーチクエスチョン
- RQ1パンプライベートの下界を用いて、ロバストシャッフルプライベートプロトコルの下界を確立できるか？
- RQ2重複要素の数え上げと一様性テストにおいて、ロバストシャッフルプライベートプロトコルの最良の誤差とサンプル複雑性の下界は何か？
- RQ3どのような条件下で、パンプライベートアルゴリズムをロバストシャッフルプライベートプロトコルに変換できるか。逆に、その逆も可能か？
- RQ4任意の問題について、ロバストシャッフルプライバシーとパンプライバシーの間に、証明可能な分離が存在するか、それとも性能限界は同等か？
- RQ5攻撃的ユーザー行動下でも、ロバストシャッフルプロトコルのプライバシー保証はどの程度保持されるのか。また、そのようなロバストネスを保証する構造的性質は何か？
主な発見
- 重複要素の数え上げにおいて、ロバスト近似シャッフルプライバシーはΩ(√(k/ε))の加法的誤差を必要とし、これはパンプライバシーから導出された下界と一致する。
- 提案された重複要素の数え上げのためのロバストシャッフルプライベートプロトコルは、O(√k/ε)の加法的誤差を達成しており、定数倍の差異を除いて下界と一致する。
- 一様性テストにおいて、任意のロバスト純粋シャッフルプライベートプロトコルはΩ(k²ᐟ³)のサンプル数を必要とする。これはパンプライベートの下界を適応することで示された。
- 提案されたロバスト近似シャッフルプライベート一様性テストャーは、Õ(k²ᐟ³)のサンプル複雑性を達成しており、ほぼタイトな上界を提供する。
- パンプライバシーは、適応されたヒストグラム構築により、インタラクティブローカルプライバシーからの分離を引き継ぎ、ポインターチェージ問題においてΩ(ℓ)のサンプル複雑性のギャップを示す。
- 2つのモデルの間の関係により、双方向の変換が可能であることが示された：パンプライベートアルゴリズムをシャッフルモデルに適応可能であり、逆にシャッフルプロトコルがパンプライベート設計にインサイトを提供できる。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。