ترجمه فارسی مقاله دیدگاهی آماری در خصوص حریم خصوصی افتراقی: آزمون فرضیه، نمایش و قضیه بلکول

چکیده

Differential privacy is widely considered the formal privacy for privacy-preserving data analysis due to its robust and rigorous guarantees, with increasingly broad adoption in public services, academia, and industry. Despite originating in the cryptographic context, in this review paper we argue that, fundamentally, differential privacy can be considered a \textit{pure} statistical concept. By leveraging a theorem due to David Blackwell, our focus is to demonstrate that the definition of differential privacy can be formally motivated from a hypothesis testing perspective, thereby showing that hypothesis testing is not merely convenient but also the right language for reasoning about differential privacy. This insight leads to the definition of $f$-differential privacy, which extends other differential privacy definitions through a representation theorem. We review techniques that render $f$-differential privacy a unified framework for analyzing privacy bounds in data analysis and machine learning. Applications of this differential privacy definition to private deep learning, private convex optimization, shuffled mechanisms, and U.S.~Census data are discussed to highlight the benefits of analyzing privacy bounds under this framework compared to existing alternatives.

چکیده به فارسی (ترجمه ماشینی)

حریم خصوصی دیفرانسیل به دلیل ضمانت های قوی و سختگیرانه ، با پذیرش فزاینده ای در خدمات عمومی ، آکادمی ها و صنعت ، به طور گسترده ای به حریم خصوصی رسمی برای تجزیه و تحلیل داده های حفظ حریم خصوصی در نظر گرفته می شود.با وجود سرچشمه در زمینه رمزنگاری ، در این مقاله مرور استدلال می کنیم که ، اساساً ، حریم خصوصی دیفرانسیل را می توان یک مفهوم آماری \ textit {خالص دانست.با استفاده از یک قضیه به دلیل دیوید بلکول ، تمرکز ما این است که نشان دهیم که تعریف حریم خصوصی دیفرانسیل می تواند به طور رسمی از دیدگاه آزمون فرضیه ایجاد شود ، از این طریق نشان می دهد که آزمایش فرضیه صرفاً مناسب نیست بلکه زبان مناسب برای استدلال در مورد حریم خصوصی دیفرانسیل است.این بینش منجر به تعریف حریم خصوصی $ $-differential می شود ، که دیگر تعاریف حریم خصوصی دیفرانسیل را از طریق یک قضیه بازنمایی گسترش می دهد.ما تکنیک هایی را مرور می کنیم که حریم خصوصی $ $-differential یک چارچوب یکپارچه برای تجزیه و تحلیل مرزهای حریم خصوصی در تجزیه و تحلیل داده ها و یادگیری ماشین را بررسی می کنیم.برنامه های این تعریف از حریم خصوصی دیفرانسیل برای یادگیری عمیق خصوصی ، بهینه سازی محدب خصوصی ، مکانیسم های تغییر یافته و داده های سرشماری ایالات متحده برای برجسته کردن مزایای تجزیه و تحلیل مرزهای حریم خصوصی تحت این چارچوب در مقایسه با گزینه های موجود مورد بحث قرار گرفته است.