隐私机制设计基于经验分布

点式最大泄漏（PML）是一种基于定量信息流威胁模型的逐结果隐私度量。PML的隐私保障依赖于对生成私有数据的分布的了解。在本工作中，我们提出了一个框架，用于通过对该数据生成分布的经验估计进行PML隐私评估和机制设计。通过扩展PML框架以考虑数据生成分布的集合，我们得出了给定集合内最坏情况泄漏的界限。我们利用这些界限以及文献中的大偏差界限，提供了一种方法，用于在数据生成分布从可用数据样本中估计时，获得分布无关的ε-PML保障。我们提供了一个最优二元机制，并表明在这种对数据生成分布不确定的情况下的机制设计可简化为线性约束凸规划问题。此外，我们展示了为分布估计设计的最优机制可以被使用。最后，我们将这些工具应用于二进制私有数据的拉普拉斯机制和高斯机制的泄漏评估，并通过数值表明，所提出的机制设计方法在保持类似隐私保障的同时，与本地差分隐私相比可以显著提高效用。

评论：已被IEEE CSF 2026接受。

主题：密码学与安全（cs.CR）；信息论（cs.IT）

引用为：arXiv:2509.22428 [cs.CR]