Budget Recycling Differential Privacy

Differential Privacy（DP）机制通常通过产生“超出边界”的嘈杂结果来强制减少数据效用以实现紧密的隐私预算。我们介绍了Budget Recycling Differential Privacy（BR-DP）框架，旨在为广泛存在的DP机制提供软边界的嘈杂输出。所谓“软边界”，是指机制能够在预定义的误差边界内发布大多数输出，从而同时提高效用和维护隐私。BR-DP的核心包括两个组成部分：一个DP内核负责生成每次迭代的嘈杂答案，一个回收器以概率性地回收/再生或发布嘈杂答案。我们深入探讨了BR-DP的隐私核算，最终开发出一种预算原则，最优地将可用预算在DP内核和回收器之间进行子分配。此外，我们介绍了在组合场景中进行紧密BR-DP核算的算法，我们的研究结果表明，与DP相比，BR-DP在组合后实现了更少的隐私泄露。此外，我们探讨了在BR-DP框架内通过子抽样进行隐私放大的概念，并提出了适用于各种查询的BR-DP的最佳采样率。我们使用实际数据进行实验，结果表明BR-DP在提高DP机制提供的效用-隐私权衡方面非常有效。

提出 Budget Recycling Differential Privacy (BR-DP) 框架，旨在提高数据效用和维护隐私同时实现较松的噪声输出。

BR-DP 框架包括 DP 核心和回收器，通过优化预算分配来实现最优的隐私保护和数据效用平衡。

论文提出了 BR-DP 框架以提高数据效用和维护隐私同时实现较松的噪声输出，提出了隐私增强的概念，介绍了算法和实验设计，结果表明 BR-DP 比 DP 机制更有效。

相关研究包括 Differential Privacy 机制及其应用研究，如 PrivTree、Deep Learning with Differential Privacy、DP-SGD 等。