Low-Rank Masking for Single-Server Matrix Multiplication
本文研究在有限域 F_q 上把矩阵乘法外包给单一（不可信）服务器时，采用秩不超过 r 的加性掩码能提供多强的统计隐私。针对独立均匀的 n×n 输入矩阵，作者证明两类自然采样方式——均匀 rank-ball 掩码，以及独立均匀因子的乘积——对
#differential-privacy
共收录 193 条相关情报。
← 返回所有主题QuanText: Protecting Dataset-Level Secrets in Textual Data Sharing
自然语言数据集被广泛用于模型训练与社会科学研究，但公开发布文本会泄漏数据源的整体统计属性（即“数据集级秘密”），例如某种性别、某种诊断或某种政治立场的记录占比。这类信息不属于任何单条记录，却可能暴露整个采集人群的敏感特征。现有研究多集中在属
Tight Lower Bounds for Differentially Private Continual Counting
本论文研究差分隐私中的持续计数（continual counting）问题：数据流逐步到达，算法需要为每个时刻持续发布满足差分隐私的前缀和近似结果。二进制树机制（Binary Tree Mechanism, BTM）是该问题的标准算法，但自
Intrinsic-Dimensional Wasserstein Guarantees for Private Synthetic Measures
该论文研究的是差分隐私合成测度（differentially private synthetic measure）的效用上界问题，属于差分隐私与最优传输/高维统计交叉的理论工作。作者考虑最坏情况数据模型：给定 [0,1]^d 空间中的 n
SpliTEE: Improving LLM Inference on Trusted Hardware with Differentially Private GPU Outsourcing
该论文研究如何在可信执行环境(TEE)中高效、安全地运行大语言模型(LLM)推理。背景问题是: 用户提交给 LLM 的提示(prompt)可能包含敏感或隐私信息, 而远程部署的模型可能通过重训练时的无意记忆等途径滥用这些信息。一个自然的防护
PIMENTO: A Privacy Framework for Querying Text
PIMENTO 是一个针对非结构化文本分析隐私保护的框架。当前两种主流隐私保证——上下文完整性（CI，约束信息可流向何处）与差分隐私（DP，约束可推断出什么）——都难以直接映射到自然语言上，导致现有方案无法为文本分析提供形式化保证。PIME
Private Graph Property Testing
该论文研究的是「差分隐私图性质测试」这一此前几乎空白的交叉方向。图性质测试（graph property testing）的基本问题是：给定一个规模极大的图，能否只做亚线性（sublinear）次数的查询，就判断它满足某个性质，还是与满足该
A Graph-Based Framework for Extending Metric Differential Privacy Mechanisms
本文研究度量差分隐私（metric differential privacy, mDP）机制的可扩展构造问题。mDP 适合定义在结构化的秘密域上（例如路网、地理网格、坐标空间），因为它的隐私保证随秘密值之间的度量距离变化，比标准差分隐私更贴
Differentially Private EEG Feature Anonymization: A Privacy-Utility Case Study in Clinical Neurophysiology
该论文聚焦临床脑电图（EEG）数据的隐私保护与可用性权衡问题。研究背景是：临床 EEG 记录及其衍生特征对医疗健康研究和基于人工智能的临床决策支持系统开发具有重要价值，但其中可能包含患者特异性的敏感信息，在数据复用、分析以及跨临床与科研环境
Lower Bounds for Private Graph Optimization Problems using Reconstruction Attacks
本文研究差分隐私（DP）约束下的基础图优化问题，并给出基于“重构攻击”思路的新型下界证明。作者考虑图 G=(V,E,w⃗)，其中顶点集 V 与边集 E 是公开的，只有边权函数 w:E→ℝ 需要满足 ℓ1 邻接关系下的差分隐私。研究对象包括两
Distributed and Private Textual Data Synthesis from Embeddings
该论文研究分布式场景下的差分隐私（DP）文本合成问题。现有 DP 文本合成流程普遍假设存在一个可信的中央策展方（trusted curator），能够直接访问用户原始文本并进行集中式处理；但在真实的多用户分布式环境中，这一信任与访问假设往往
Subgroup Membership Inference Audits of Differentially Private Synthetic Text
该论文关注差分隐私（DP）合成文本发布中的残余隐私风险审计问题。合成数据被越来越多地提议作为敏感真实数据的替代品发布，即使通过DP对最坏情况隐私泄露提供理论保证，实践中仍存在残余风险。现有的成员推断攻击（MIA）审计只测量随机抽取记录的平均
Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking
观察性研究中的平均处理效应（ATE）估计是社会科学、医学和流行病学等领域广泛使用的基础统计工具，用于在无法进行随机对照试验时评估某种干预或暴露对结果变量的因果影响。然而这些领域所处理的数据通常包含高度敏感的个人信息，直接发布基于原始数据的
Pool Inference Attacks on Local Differential Privacy: Quantifying the Privacy Guarantees of Apple's Count Mean Sketch in Practice.
本文针对Apple在本地差分隐私（Local Differential Privacy, LDP）实践中使用的Count Mean Sketch（CMS）机制，提出了一种名为'池推断攻击'（Pool Inference Attack）的新颖
Machine Unlearning as Private Retroactive Algorithms
本文是理论计算机科学与数据隐私方向的研究论文，研究机器学习中的“机器遗忘”问题。传统机器遗忘旨在模拟“从头重新训练”的效果：当收到删除请求时，遗忘算法应产生一个结果，该结果与从未包含被删除数据点时从头训练得到的结果一致。近期研究表明，对于一
Privacy Audit as Bits Transmission: (Im)possibilities for Audit by One Run.
该论文研究差分隐私算法的隐私审计问题。传统审计通过模拟基于游戏的协议来猜测两个相邻数据集中哪一个是原始输入，通常需要数千次模拟，计算开销巨大。近期有工作提出对目标算法进行单次运行审计以大幅降低计算成本，但其通用性和所得经验隐私保证的紧致性尚
Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems
该论文聚焦于联邦学习在银行、医院等受监管机构中的实际应用痛点。尽管联邦学习允许各方在不共享原始数据的前提下协同训练模型，但仍有两大安全隐患：一是客户端交换的参数更新仍可能通过梯度反演或成员推断攻击泄露本地记录信息；二是诸如 FedAvg 这
Overcoming the Randomness-Utility Trade-off in Answering Differentially Private Linear Queries
差分隐私（Differential Privacy）为数据分析提供严格的隐私保证，但在回答大量线性查询时，必须在隐私预算、响应精度和随机位数之间权衡。经典机制（如 Hardt 与 Talwar 提出的 K-范数机制）虽能在给定隐私预算 ε
Batched Differentially Private Information Retrieval.
该论文提出了一种名为“批量差分隐私信息检索”（Batched Differentially Private Information Retrieval）的新方法，旨在解决在信息检索场景下保护用户隐私与可用性之间的平衡问题。传统信息检索（如数
Privacy Amplification Without Independence: How Far Negative Dependence Carries the Guarantees of Poisson Subsampling
该论文研究差分隐私量化中的关键理论问题：泊松子采样是典型的采样器，其独立性使得隐私放大分析易于处理，但实际系统越来越多地采用结构化参与模式，如随机分配（balls-in-bins）、每轮分配、随机检查等。业界普遍认为这些模式在匹配采样率下至