Polynomial-time Attack on Output Perturbation Sanitizers for Real-valued Databases
Notice bibliographique
Résumé
We review the attack given by Dinur and Nissim [6] on the output perturbation sanitizer, and generalize it to a setting that includes, as particular cases, databases with values in {0,1}---with the metric considered in [6]---and databases with real values, with other appropriate metrics (hence the binary case is not included in the real case). Previous works [12, 14] on the binary case gave results more efficient than ours. Those results could be used to extend the binary case to the real-valued case, hence implying our results. The contributions of this paper are: to make the implication explicit, and to give an alternative general proof. We state a property about the function dist that measures the error of the attacker's approximation of the database, which is satisfied in our cases of interest, and is sufficiently strong to prove the impossibility results regarding the privacy provided by the output-perturbation sanitizer, in both the real and binary cases. In this general context we establish an inequality (an upper bound to the probability of adversary's failure) that relates all the parameters of the problem---the size of the database, the relative error of the adversary, the number of queries made by the adversary (which determines its time complexity), its probability of failure, and the perturbation of the sanitizer---making explicit the trade-offs among them. From this inequality we deduce that for binary and real valued databases, the adversary described in [6] can defeat perturbation o(n1/2) with time complexity determined by o(n log n) number of queries (instead of O(n log2 n) as in [6]).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».