Geometry-Adaptive Mechanisms for Private Synthetic Data
该论文研究的是差分隐私（DP）合成数据生成中的效用保证问题，具体以 1-Wasserstein 距离作为效用度量。背景与核心问题：对定义在 [0,1]^d（d≥2）、样本量为 n 的数据集，已有纯 ε-差分隐私机制所能达到的期望 1-Was
#privacy-utility-tradeoff
共收录 6 条相关情报。
← 返回所有主题When Do Differentially Private Inputs Protect Graph Shift Operators?
本文研究图信号处理中的一个核心隐私问题：当分析者只能观测到图滤波器（graph filter）的输出时，图移位算子（GSO，即邻接矩阵、拉普拉斯矩阵这类刻画图拓扑的算子）本身能获得多强的差分隐私（DP）保护。传统做法是对 GSO 本身或其滤
Demystifying the Privacy-Utility Trade-off in LLM Interactions
该论文关注大语言模型进入日常任务后产生的隐私与效用矛盾：用户为了让模型完成复杂任务，必须提供上下文丰富的指令，其中往往夹带姓名、地址、账号、病史等敏感信息。目前主流的隐私保护做法是在把提示词发给模型之前套用一套与上下文无关的静态规则（例如统
Empirical Evaluation of Membership Inference Attacks on NLP Text Classifiers: A Baseline Study on SST-2
该论文针对自然语言处理中的训练数据隐私风险，系统评估了成员推断攻击（Membership Inference Attack, MIA）在文本分类任务上的实际威胁。MIA 的目标是判断某条具体记录是否被用于训练某个模型；在 NLP 场景下，训
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
Optimal Privacy-Utility Trade-Offs in LDP: Functional and Geometric Perspectives
该论文研究本地差分隐私（LDP）下的最优隐私-效用权衡（PUT）问题。现有方法往往针对特定问题进行案例分析，缺乏统一理论框架。作者提出一个通用理论框架，系统刻画了一般隐私保护统计决策问题中的最优PUT和最优LDP通道。首先，他们识别了贝叶斯