Behavioral Privacy Leakage in Agentic Negotiation: Formalizing and Mitigating Inference Attacks via Randomized Policies
该论文研究了自主谈判代理在部署于保险、采购等高风险场景时面临的行为隐私泄露问题。传统的加密技术只能保护显式披露的约束值，但无法防御对手通过观察谈判动态（如让步轨迹、时序、收敛模式）推断私有约束的潜在威胁。本文首次系统形式化了多轮谈判协议中的
#differential-privacy
共收录 193 条相关情报。
← 返回所有主题Differentially private quantum sensor networks
本文研究了量子传感器网络在函数估计中的应用，并首次探讨了其隐私保护问题。量子传感利用量子纠缠实现比经典传感更优的灵敏度（海森堡极限缩放 O(1/n^2)）。然而，当传感器网络用于测量敏感数据（如生物医学数据）时，可能遭受隐私攻击。作者首先展
Dithered Gaussian Mechanism for Randomness-Efficient Differential Privacy
本文提出了一种新的差分隐私（DP）机制——抖动高斯机制（Dithered Gaussian Mechanism），作为传统离散高斯机制的替代方案。与离散高斯机制直接离散化噪声分布不同，抖动高斯机制通过后处理高斯机制来离散化私有输出，从而直接
Mirage: Private, Mobility-based Routing for Censorship Evasion.
该论文提出了一种名为 MIRAGE 的隐私保护消息系统，旨在解决审查环境下的抗阻塞通信问题。传统去中心化匿名网络如 Tor 依赖集中式互联网基础设施，容易遭受大规模封锁。MIRAGE 利用人群的高层移动模式，采用基于区域（district）
Towards Personalized Differentially Private Learning for Decentralized Local Graphs
该论文针对分布式环境下局部图数据的隐私保护问题展开研究。随着社交网络、移动应用和边缘计算等场景的普及，图结构数据越来越多地以去中心化方式生成和存储，用户对自身局部图数据拥有控制权。然而，在利用这些数据进行下游学习任务时，节点及其属性常包含敏
Ball Differential Privacy: How to Mitigate Data Reconstruction with Less Noise
本文提出了一种新的差分隐私变体——Ball-DP（球差分隐私），旨在解决传统差分隐私（DP）在防御数据重建攻击时噪声过大的问题。传统DP通过添加噪声来确保任意单条记录替换后的输出不可区分，但这一保证对重建攻击而言过于保守，因为实际攻击者通常
Scalable Differentially Private Data Compression via Diffusion and Stochastic Codes
本文针对高维数据（如图像）在差分隐私保护下的高效压缩问题展开研究。现有方法要么直接发布未压缩的隐私化数据，导致存储开销巨大；要么缺少能在隐私保证下有效压缩高分辨率数据的方案。为此，作者提出了DP-DiPP（Differentially Pr
Preserving Node-level Privacy in Graph Neural Networks.
本文研究图神经网络（GNN）中的节点级隐私保护问题。尽管GNN在社交网络、推荐系统等领域应用广泛，但训练过程中可能泄露节点的敏感属性或连接关系。现有隐私保护方法多针对图级别或边级别，节点级隐私保护仍面临挑战。作者提出一种新的隐私保护框架，通
Unveiling the Non-Monotonic Effect of Privacy on Generalization under Byzantine Robustness
该论文研究了在拜占庭鲁棒分布式学习场景下，本地差分隐私（LDP）对模型泛化误差的影响。现有工作已证明在分布式学习中，拜占庭鲁棒性、LDP和优化误差之间存在基本的三难困境。然而，本文发现这一三难困境并非普遍适用于泛化误差，而是关键取决于隐私强
The Binary Tree Mechanism is Optimal for Approximate Differentially Private Continual Counting
本文研究了差分隐私（Differential Privacy, DP）下的持续计数问题（Continual Counting）。问题设定是：给定一个长度为 n 的二进制流，每个 1 代表一个个体的贡献，目标是在保护每个个体隐私的前提下，发布
Learning Differentially Private Mechanisms.
该论文提出了一种学习差分隐私机制的框架，旨在自动化设计满足差分隐私保护的数据发布机制。传统上，差分隐私机制（如拉普拉斯机制、指数机制）需要人工设计，且针对特定查询或统计量。本文作者将机制设计问题转化为学习问题：给定一组查询和工作负载，通过优
A Sieve-Accelerated Quadrature Method for Exact Privacy Accounting in the 2020 U.S. Decennial Census
2020年美国人口普查局采用了差分隐私技术保护数据隐私，通过向发布的普查表格注入整数值高斯噪声来实现。准确评估这些数据发布的隐私保证，可以使普查局确定满足给定隐私预算所需的最小噪声量，避免注入不必要的过多噪声，从而显著提高下游应用（如联邦资
Concentrated Geo-Privacy.
本文提出了一种新的隐私概念——集中地理隐私（Concentrated Geo-Privacy, CGP），这是集中差分隐私（CDP）在几何数据上的对应物。与先前的地理隐私（Geo-Privacy）标准（即标准差分隐私的对应物）相比，CGP具
Bit-ViP: Leveraging Bit-planes to Preserve Visual Privacy in Images through Obfuscation
本文提出了一种名为 Bit-ViP 的基于位平面的图像混淆方案，旨在保护图像中的视觉隐私，同时保持足够的可用性以支持基于图像的识别任务。研究背景是计算机视觉应用（如监控系统和社交媒体）的快速增长引发了安全和隐私担忧，尤其在云端存储数据时。现
DPolicy: Managing Privacy Risks Across Multiple Releases with Differential Privacy.
本文提出 DPolicy 系统，旨在解决组织级差分隐私（DP）应用中多个数据发布的累积隐私风险管理问题。当前，DP 常被用于孤立的数据发布，但组织需要跨多个发布综合管理隐私风险。虽然理论上可通过 DP 的组合性质评估累积风险，但实际中每个发
Click Without Compromise: Online Advertising Measurement via Per User Differential Privacy.
在线广告是互联网生态的支柱，广告测量（如将购买行为归因于广告曝光）对优化效率至关重要。然而，这种跨平台数据收集面临日益严格的隐私限制。本文首次将广告测量系统在实时报告流数据场景下的实际挑战正式化，提出了AdsBPC——一种新颖的用户级差分隐
Productionized Fairness Measurement Under Privacy Constraints
该论文针对公平性度量中的人口统计信号（如种族/民族）因法律约束或文化敏感性而难以收集和使用的挑战，提出了一种隐私保护的种族/民族概率估计方法（PPRE）。PPRE结合了两种信号源：基于贝叶斯改进的姓氏地理编码估计器（BISG）和稀疏的自我报
On the Rényi Differential Privacy of the Shuffle Model.
本文研究了洗牌模型（Shuffle Model）下的Rényi差分隐私（Rényi Differential Privacy, RDP）保证。在本地差分隐私（Local Differential Privacy, LDP）中，用户通过随机化
LPGNet: Link Private Graph Networks for Node Classification.
本文针对图数据节点分类任务中的隐私泄露问题，提出了一种名为LPGNet的新型神经网络架构。图卷积网络（GCNs）在节点分类中表现出色，但研究表明攻击者可以通过链接窃取攻击推断训练图中的边（即节点间关系），即使仅有黑盒模型访问权限。LPGNe
SelPE: Progressive Selection for Private Structured Text Synthesis
在现实数据驱动应用中，许多场景依赖结构化文本记录（如临床分诊笔记、金融交易日志）进行下游学习与决策。然而，在隐私敏感领域（如医疗、金融），对这些记录的访问受到严格监管，通常只能获得少量私有样本用于模型开发与分析。现有的差分隐私数据合成方法面