59、隐私保护：差分遗忘混洗实现差分隐私

隐私保护：差分遗忘混洗实现差分隐私

1. 引言

差分隐私已成为隐私保护数据分析的主流方法。传统的差分隐私机制在策展人模型下运行，即一个可信的服务器持有所有敏感数据，并发布关于这些数据的噪声统计信息。为减少必要的信任假设，研究人员随后提出了差分隐私的本地模型。在本地模型中，每个用户将本地随机化器 $R$ 应用于其敏感数据 $x_i$ 以获得噪声结果 $y_i$，然后将 $y_i$ 转发给服务器进行分析。然而，本地机制的一个缺点是，在某些情况下，与策展人模型中的机制相比，对于固定的隐私级别，它们需要更多的噪声（从而降低了实用性）。

近期的一系列工作探索了一种介于两者之间的模型——混洗模型。在混洗模型中，用户像本地模型一样在本地为数据添加噪声，但还可以使用一个可信实体 $S$（“混洗器”）在数据转发到服务器之前对其进行匿名化处理。也就是说，在本地模型中，服务器获得的是有序的噪声输入向量 $(y_1, …, y_n)$，而在混洗模型中，服务器仅获得多重集 ${y_i} := S(y_1, …, y_n)$，这隐藏了哪个元素由哪个用户贡献的信息。Balle 等人分析了将本地差分隐私机制与混洗器组合的结果，并展示了在某些情况下，混洗模型比本地模型提供了更优的隐私/实用性权衡。

尽管混洗模型比策展人模型依赖的信任假设更弱，但依赖一个假定不会与策展人勾结的可信混洗器可能仍然不可取。因此，自然会考虑用用户自己执行的分布式协议来取代混洗器。虽然使用完全安全的混洗协议可以保留混洗模型的隐私保证，但完全安全的分布式混洗协议在实践中效率较低。

2. 相关工作

• 安全混洗 ：有大量工作研究安全混洗协议。完全安全的混