ميزانيات الخصوصية تحت التركيب: محاسبة النشر الإحصائي المتكرر

Codex (AI)

الملخص

تفرض الخصوصية التفاضلية قيداً رياضياً على مقدار تغير توزيع المخرجات عندما تتغير وحدة محمية واحدة. وتعتمد فائدتها على تحديد تلك الوحدة، ووضع حدود لمساهمتها، واحتساب كل عملية نشر. تربط هذه المراجعة معايرة الحساسية، وخصوصية ريني التفاضلية، والمعايرة الغاوسية التحليلية بمثال للاستعلام المتكرر. ونشتق حداً محافظاً للخصوصية بصيغة مغلقة لتركيبات آليات غاوسية دون أخذ عينات، ونبين كيف يقلل أخذ متوسط نسخ أضيفت إليها ضوضاء مستقلة الضوضاءَ مع استهلاك ميزانية خصوصية إضافية. ويميز التحليل بين الحد الصحيح والحد المحكم، وبين الحماية على مستوى السجل والحماية على مستوى المستخدم، وبين المعالجة اللاحقة والوصول الجديد إلى البيانات الخاصة. والحسابات المصاحبة فحوص دقيقة للصيغ المعلنة، وليست تدقيقاً لخصوصية مجموعة بيانات أو خدمة منشورة فعلياً.

الوحدة المحمية جزء من التعريف

لا يكتمل القول إن عملية نشر تحقق الخصوصية التفاضلية حتى تُعرَّف مجموعات البيانات المتجاورة. فحذف حدث واحد، واستبدال صف واحد، وحذف جميع السجلات التابعة لشخص واحد، تصف تغيرات مختلفة. وقد توفر آلية معايرة لحدث واحد ضماناً أضعف بكثير لشخص يساهم بأحداث عديدة.

يجب أن يستخدم الاستعلام وحساسيته علاقة التجاور نفسها. فإذا كان بإمكان فرد المساهمة بعدد غير محدود من الصفوف في عملية عدّ، فإن حساب الحساسية لصف واحد لا يثبت ضماناً على مستوى المستخدم. ويمكن لتقييد المساهمات، أو إزالة التكرارات، أو تمثيل محدود آخر أن يجعل الحساسية المقصودة منتهية، لكن يجب تحديد خطوات المعالجة المسبقة هذه. لذا فإن معامل الخصوصية خاصية لآلية كاملة ونموذج بيانات، وليس وسمًا يُضاف بعد إضافة الضوضاء.

الإسهامات الأساسية الثلاثة

يربط Dwork وزملاؤه معايرة الضوضاء بحساسية الاستعلام عبر مجموعات البيانات المتجاورة. ويقدم Mironov خصوصية ريني التفاضلية بوصفها طريقة لوصف فقدان الخصوصية وتركيب الآليات عبر حدود التباعد. ويعيد Balle وWang النظر في المعايرة الغاوسية ويبينان لماذا يمكن للمعالجة التحليلية المباشرة أن تحسن الحدود الكافية التقليدية.

تؤدي هذه النتائج أدواراً مختلفة. فالحساسية تحدد مقدار تغير الاستعلام الممكن. ويجمع محاسب الخصوصية فقدان الخصوصية عبر عمليات النشر. وتختار المعايرة مستوى ضوضاء لتحقيق ضمان مرغوب. وليس الحد الصحيح ولكنه المحافظ بالضرورة أحكم حد متاح، ولا يستطيع محاسب أكثر إحكاماً إصلاح افتراض خاطئ بشأن الحساسية. ونُبقي هذه المهام منفصلة طوال المثال المحلول. [1], [2], [3]

لماذا يعتمد بناء لابلاس على الحساسية

لاستعلام قياسي يبلغ أقصى فرق له بين مجموعتي بيانات متجاورتين Delta، تؤدي إضافة ضوضاء لابلاس بمعامل مقياس يساوي Delta مقسومة على epsilon إلى البناء المألوف للخصوصية الخالصة. ويمكن وضع حد لنسبة الكثافتين عند أي مخرج باستخدام متباينة المثلث: فالفرق بين حدَّي المسافة المطلقة لا يتجاوز المسافة بين قيمتي الاستعلام.

توضح هذه الحجة الموجزة بدقة موضع دخول حد الحساسية. فإذا تجاوز الفرق الفعلي بين مجموعتي البيانات المتجاورتين Delta، فقد لا يصح الحد المدعى للنسبة. وتباين الضوضاء المضافة يساوي مثلي مربع معامل مقياسها، ولذلك فإن حماية مساهمة أكبر تغيّر الدقة تربيعياً في هذه الآلية البسيطة. وتتعلق الصيغة بالاستعلام القياسي ونموذج التجاور المعلنين. ولا تنطبق تلقائياً على متجه، أو إجراء اختيار، أو مرحلة معالجة مسبقة غير محدودة تعتمد على البيانات. [1]

التركيب يحصي مرات الوصول إلى البيانات الخاصة

نشر تقدير يراعي الخصوصية ثم تطبيق أي تحويل مستقل عن البيانات عليه يُعد معالجة لاحقة. أما طلب تقدير جديد من مجموعة البيانات الخاصة، مع إضافة ضوضاء مستقلة إليه، فهو استدعاء آخر للآلية. وقد تبدو العمليتان متماثلتين لمصمم الواجهة رغم اختلاف كلفتهما على الخصوصية.

لذلك قد تستهلك لوحة معلومات تحدّث تقديراً كل دقيقة ميزانية نشر حتى عندما لا يتغير نص الاستعلام الأساسي. وإعادة استخدام قيمة منشورة مخزنة مؤقتاً لا تنشئ وصولاً آخر إلى مجموعة البيانات، بخلاف إعادة الحساب بضوضاء جديدة. ويتطلب اختيار الاستعلامات تكيفياً أيضاً محاسبة التركيب: فقد يعتمد الاستعلام التالي على مخرجات سابقة تراعي الخصوصية. ويجب أن يغطي إطار المحاسبة هذا التفاعل بدلاً من افتراض أن الاستعلامات حُددت بمعزل عن النتائج السابقة. [2]

مثال على المحاسبة الغاوسية بافتراضات صريحة

لننظر في k استدعاءات لآلية غاوسية دون أخذ عينات، لكل منها حساسية L2 تساوي Delta، وضوضاء مستقلة بانحراف معياري sigma. عند رتبة ريني alpha الأكبر من واحد، يكون لاستدعاء واحد حد للتباعد يتناسب مع alpha مضروبة في مربع Delta ومقسومة على مثلي مربع sigma. ويجمع التركيب هذه الحدود. ويضيف التحويل إلى ضمان للخصوصية التفاضلية التقريبية حداً لوغاريتمياً يتضمن delta وalpha.

يؤدي تحسين هذا التحويل بعينه على قيم alpha المتصلة إلى اختيار كافٍ لـ epsilon_bound يساوي a مضافاً إليها مثلي الجذر التربيعي لحاصل ضرب a في لوغاريتم مقلوب delta، حيث a تساوي k مضروبة في مربع Delta ومقسومة على مثلي مربع sigma. وهذا حد كافٍ ملائم، وليس الضمان الغاوسي التحليلي الأمثل. وتثبت الأشكال Delta عند واحد وdelta عند جزء من مليون، وتغير k، وتقارن عدة قيم لـ sigma. ولا يتضمن هذا البناء تعزيزاً للخصوصية بأخذ عينات فرعية. [2], [3]

أخذ المتوسط المتكرر يكشف كلفة الإجابات الجديدة

لنفترض نشر الاستعلام القياسي نفسه r مرة بضوضاء غاوسية مستقلة ذات متوسط صفري وانحراف معياري sigma. يترك أخذ متوسط المخرجات قيمة الاستعلام دون تغيير ويخفض تباين الضوضاء إلى مربع sigma مقسوماً على r. ولذلك يستطيع المتلقي تحسين الدقة بمجرد دمج الإجابات المتكررة.

لا ينتهك ذلك الخصوصية التفاضلية. فالضمان المركب يضعف مع إجراء مزيد من عمليات النشر الجديدة. والخطأ هو التعامل مع كل إجابة كما لو كانت النشر الوحيد. ويرسم الشكل الثاني الانحراف المعياري للمتوسط عند قيمة معلنة لـ sigma تساوي ثمانية، ويضع تفسيره إلى جانب حد المحاسبة المتزايد في الشكل الأول. وهو توضيح تحليلي للتركيب، وليس دليلاً على أن خدمة بعينها سرّبت بيانات شخص ما.

دلتا ليست مجرد احتمال للفشل

تسمح متباينة الخصوصية التفاضلية التقريبية بهامش سماح جمعي delta بين توزيعات المخرجات المتجاورة. وقد يغري ذلك بوصف delta بأنها احتمال حرفي لانكشاف قاعدة البيانات بأكملها، لكن هذا ليس تفسيراً صحيحاً للتعريف عموماً. فالضمان يقيد التوزيعات؛ أما المخاطر التشغيلية فتعتمد على الآلية، والوحدة المحمية، والمعلومات التي يمتلكها الخصم.

يذكر تقرير الخصوصية المفيد epsilon وdelta، وعلاقة التجاور، وحدود المساهمة، ومحاسب الخصوصية، والجدول الكامل للنشر. وينبغي أن يشرح أيضاً التفسير العملي للجمهور المقصود دون استبدال العبارة الرسمية بتطمين مضلل قائم على رقم واحد. ولا تكون مقارنة قيمتين لـ epsilon ذات معنى إلا إذا كانت الأجزاء الأخرى من عقد الخصوصية متوافقة. فقد تكون قيمة epsilon أصغر لصف واحد أقل صلة من قيمة أكبر للمساهمة المحدودة الكاملة لمستخدم.

الدقة المحدودة والقرارات المعتمدة على البيانات

تستخدم الآلية الرياضية توزيعات وحسابات مثالية، بينما تستخدم البرمجيات تمثيلات محدودة ومولدات أرقام عشوائية. ويجب أن تضمن التطبيقات ألا يخلق التحويل إلى قيم متقطعة، والقيم الاستثنائية، والقص، ومعالجة الأخطاء فروقاً في المخرجات غير محتسبة. وينبغي أن تتطابق آلية برهان الخصوصية مع السلوك الفعلي القابل للملاحظة للشيفرة.

تؤثر أيضاً القرارات المعتمدة على البيانات خارج الاستعلام الاسمي. فاختيار النشر من عدمه، أو تحديد عتبة قص من بيانات خاصة، أو الإبلاغ عن خطأ لمجموعة فرعية نادرة فقط، قد يكشف معلومات بحد ذاته. ويجب أن تكون هذه الخطوات علنية، أو مبررة بصورة مستقلة، أو مشمولة بتحليل الخصوصية. ولا يمكن لإضافة ضوضاء معايرة بصورة صحيحة إلى الحقل العددي النهائي أن تحمي بأثر رجعي فرعاً سابقاً غير محمي. وهذا سبب آخر لمراجعة مسار النشر بأكمله بدلاً من الاكتفاء بمولد عينات الضوضاء.

يجب تقييم المنفعة بالنسبة إلى المهمة المقصودة

مقدار الضوضاء وحده ليس مقياساً كاملاً للمنفعة. فقد يكون متوسط خطأ آلية ما متواضعاً، لكنها تنتج قرارات رديئة لمجموعة فرعية صغيرة، أو عند عتبة معينة، أو في تحليل لاحق غير خطي. وعلى العكس، يمكن للمعالجة اللاحقة تحسين المنفعة دون فقدان إضافي للخصوصية عندما تستخدم المخرجات المنشورة والمعلومات العامة فقط.

لذلك يعلن التقييم المقترح مسبقاً المهمة، ونموذج المساهمة، ومقياس الدقة، وتوزيع الخطأ المقبول. ويقارن المنفعة تحت عقد الخصوصية نفسه، وليس عند قيمة sigma الاسمية نفسها عندما تختلف الحساسيات. وتكتسب المعايرة الغاوسية التحليلية أهمية لأن الضوضاء المحافظة قد تقلل المنفعة دون ضرورة، لكن ينبغي اعتماد معايرة أكثر إحكاماً فقط مع آلية منفذة بصورة صحيحة وخاضعة للمراجعة. ويجب أن تلتقي حجتا الخصوصية والمنفعة عند مسار المعالجة نفسه. [3]

سجل محاسبة قابل لإعادة الإنتاج

يتحقق الملحق المحلي من القيمة المثلى على الرتب المتصلة بمقارنتها ببحث عددي كثيف، ويتحقق جبرياً من انخفاض التباين عند أخذ متوسط ضوضاء مستقلة. وسيحتاج محاسب خصوصية في بيئة إنتاج أيضاً إلى تتبع إصدارات الآلية، وافتراضات أخذ العينات، والاستدعاءات التكيفية، والميزانية المتبقية في دفتر نشر قابل للتدقيق.

ينبغي أن تتعمد الضوابط السلبية إغفال عملية نشر واحدة أو تغيير حد المساهمة، وأن تتأكد من تغير الضمان المدعى. وينبغي أن يحتفظ التقرير المثبت بمدخلات محاسب الخصوصية الدقيقة وإصدار الشيفرة، بما يسمح بتصحيح لاحق دون محو الادعاء الأصلي. ولا تُستخدم هنا أي مجموعة بيانات خاصة. والنتيجة مثال شفاف على كيفية جعل حجة محاسبة قابلة للفحص قبل الاعتماد عليها في نظام فعلي لنشر البيانات.

الخاتمة: احتساب سجل النشر بأكمله

تبلغ الخصوصية التفاضلية أقصى قوتها عندما يصمد تعريفها عند الانتقال من الرياضيات إلى سلوك المنتج. فالوحدة التي يعرَّف بها التجاور، والحساسية، والآلية، وقاعدة التركيب، وسجل النشر القابل للملاحظة تحدد الضمان معاً. ولا يمكن استنتاج أي منها من وجود حد ضوضاء.

يوضح مثال الاستعلام المتكرر لماذا يختلف تحديث الإجابة بصورة مستقلة عن إعادة استخدام إجابة منشورة بالفعل. ويبين الحساب الغاوسي كيفية اشتقاق حد محاسبة صحيح يظل محافظاً. ويسجل ادعاء الخصوصية القابل للدفاع هذه الخيارات، ويختبر التطبيق على أساسها، ويقيم المنفعة تحت العقد نفسه، بدلاً من التعامل مع epsilon بوصفها درجة جودة معزولة.

نُفذ محلياً · نطاق محدود

التصغير العددي لـ RDP وتباين الضوضاء المستقلة

محاسبة آلية غاوسية دون أخذ عينات؛ وليست تدقيقاً تجريبياً للخصوصية أو معايرة تحليلية مثلى.

اجتاز 8 من عبارات التحقق الاختبار. تتحقق هذه الفحوص من المثال المقدم، لا من الأنظمة المستشهد بها.

فحص الشاهد المسجل

[
  {
    "k": 1,
    "sigma": 4,
    "closed": 1.345380442439233,
    "grid": 1.3453804424475089
  },
  {
    "k": 10,
    "sigma": 8,
    "closed": 2.1559476703363876,
    "grid": 2.1559476710706402
  },
  {
    "k": 100,
    "sigma": 16,
    "closed": 3.4806386060980823,
    "grid": 3.480638609062736
  },
  {
    "k": 1000,
    "sigma": 8,
    "closed": 28.590726703363874,
    "grid": 28.5907267107064
  }
]

تنزيل جميع الأمثلة القابلة للتنفيذ البالغ عددها 20 قراءة نتائج الفحوص كاملة

نموذج تحليلي معلن

أربع معادلات، وافتراضات صريحة

\Pr[M(D)\in A]\le e^\varepsilon\Pr[M(D')\in A]+\delta

(1) لكل حدث مخرجات قابل للقياس A ولكل زوج متجاور D,D'; وفق علاقة التجاور المعلنة.

Z\sim\operatorname{Lap}(\Delta/\varepsilon),\qquad \operatorname{Var}(Z)=2\Delta^2/\varepsilon^2

(2) بناء لابلاس قياسي مُعايَر بحسب الحساسية، حيث epsilon > 0.

a=\frac{k\Delta^2}{2\sigma^2},\qquad \varepsilon_{\mathrm{bound}}=a+2\sqrt{a\log(1/\delta)}

(3) ضمان كافٍ للخصوصية التفاضلية (epsilon_bound, delta)-DP، يُستحصل عليه بتركيب RDP الغاوسية دون أخذ عينات وتحسين التحويل القياسي على الرتب المتصلة؛ ولا يُدعى أنه أمثل.

\operatorname{Var}\!\left(\frac1r\sum_{j=1}^{r}Z_j\right)=\frac{\sigma^2}{r}

(4) ضوضاء غاوسية مستقلة ذات متوسط صفري وتباين متساوٍ. تستهلك عمليات النشر الجديدة ميزانية التركيب؛ ولا تضيف المعالجة اللاحقة للقيم المنشورة فقداناً آخر.

أمثلة منشأة · بيانات قابلة لإعادة الإنتاج

فحص الحجة الكمية

حُسبت هذه المنحنيات من النماذج المعلنة. وهي ليست مشاهدات من الدراسات المستشهد بها. ويتضمن كل شكل بياناته العددية ونسخته المتجهية.

تراكم عمليات النشر الغاوسية المتكررة حداً. الحساسية 1، وdelta = 10^-6، دون أخذ عينات فرعية. ينتج عن تركيب RDP ثم التحسين على الرتب المتصلة حد كافٍ، وليس معايرة غاوسية تحليلية مثلى. — **الشكل 1. تراكم عمليات النشر الغاوسية المتكررة حداً.** الحساسية 1، وdelta = 10^-6، دون أخذ عينات فرعية. ينتج عن تركيب RDP ثم التحسين على الرتب المتصلة حد كافٍ، وليس معايرة غاوسية تحليلية مثلى.

يقلل أخذ المتوسط ضوضاء النشر المستقلة. تُنشر الإحصائية الثابتة نفسها مراراً بضوضاء غاوسية مستقلة. وتتحسن الدقة بينما تتراكم كلفة الخصوصية؛ ويختلف الأمر مع الضوضاء المترابطة أو المعاد استخدامها. — **الشكل 2. يقلل أخذ المتوسط ضوضاء النشر المستقلة.** تُنشر الإحصائية الثابتة نفسها مراراً بضوضاء غاوسية مستقلة. وتتحسن الدقة بينما تتراكم كلفة الخصوصية؛ ويختلف الأمر مع الضوضاء المترابطة أو المعاد استخدامها.

أي دليل يجيب عن أي سؤال؟

الخيار	ما يجب تحديده	اختزال مضلل
الوحدة المحمية	سجل، أو حدث، أو مساهمة مستخدم محدودة	جميع ادعاءات الخصوصية تحمي التغير نفسه على مستوى الشخص
الحساسية	الاستعلام والتجاور معاً	معامل مقياس الضوضاء وحده يحدد الخصوصية
التركيب	كل عملية نشر جديدة وافتراضاتها	لكل تحديث ضمان النشر الوحيد الأصلي
المعايرة	طريقة محاسبة وتطبيق صحيحان	الحد الكافي محكم تلقائياً

بروتوكول تحقق مقترح

هذا تصميم تقييم مقترح. لم يُجرَ أي اختبار معياري لنظام إنتاج أو عتاد. والنماذج المحدودة التي نُفذت بصورة منفصلة موثقة في الفحوص القابلة للتنفيذ.

تعريف مجموعات البيانات المتجاورة وفرض حد المساهمة المقابل.
حصر جميع المخرجات القابلة للملاحظة المعتمدة على البيانات، بما فيها الأخطاء وخطوات الاختيار.
تسجيل كل استدعاء جديد للآلية وتمييز المعالجة اللاحقة للقيم المخزنة مؤقتاً.
التحقق من تحويل RDP التحليلي بمقارنته بتصغير عددي مستقل.
مقارنة المنفعة تحت عقد الخصوصية الكامل نفسه.
حفظ مدخلات محاسب الخصوصية، والشيفرة، وسجل النشر، والتصحيحات مع تتبع إصداراتها.

ما تثبته المصادر الأولية

Cynthia Dwork, Frank McSherry, Kobbi Nissim et al. · 2006 [1]

الإسهام. تربط معايرة الحساسية تغيرات الاستعلام بين مجموعات البيانات المتجاورة بضمان خصوصية على مستوى التوزيعات.

حدود الانطباق. يجب أن تتوافق الحساسية مع الوحدة المحمية والاستعلام.

موضع الدليل في المصدر. إطار معايرة الضوضاء.

Ilya Mironov · 2017 [2]

الإسهام. تدعم خصوصية ريني التفاضلية التركيب الجمعي لحدود التباعد والتحويل إلى الخصوصية التفاضلية التقريبية.

حدود الانطباق. تحدد الآلية، والرتبة، وافتراضات أخذ العينات الحد الصحيح.

موضع الدليل في المصدر. نتائج التعريف، والتركيب، والآلية الغاوسية، والتحويل.

Borja Balle, Yu-Xiang Wang · 2018 [3]

الإسهام. يمكن للمعايرة الغاوسية التحليلية تحسين حدود الضوضاء الكافية التقليدية.

حدود الانطباق. لا يصلح هذا التحسين نموذجاً خاطئاً للتجاور أو الحساسية.

موضع الدليل في المصدر. الملخص ومبرهنة المعايرة التحليلية.

حدود هذا التحليل

تتعلق الصيغ بأمثلة غاوسية دون أخذ عينات وأمثلة لابلاس قياسية؛ ولا تغطي جميع الآليات.
تحويل RDP حد كافٍ، وقد يكون أقل إحكاماً من المعايرة الغاوسية التحليلية.
لم تُدقق أي مجموعة بيانات خاصة، أو محاسب خصوصية إنتاجي، أو مولد عينات محدود الدقة.
هذه المراجعة تحليل تقني ولا تشكل شهادة خصوصية خاصة بنشر فعلي معين.

مراجعة تحليلية مركزة لثلاثة مصادر أولية تأسيسية مختارة، مع أمثلة محلولة أصلية. وليست مسحاً شاملاً أو منهجياً للأدبيات حتى 2026. وسُجلت ملاحظات الوصول إلى المصادر وإصداراتها مع قائمة المراجع.

أسئلة قد تغيّر الاستنتاج

هل يكشف مسار النشر الفعلي معلومات تعتمد على البيانات خارج مخرجاته المعلنة؟
أي التحديثات يمثل استعلامات جديدة على البيانات الخاصة بدلاً من معالجة لاحقة لمنشورات مخزنة مؤقتاً؟
ما مقدار المنفعة المفقودة بسبب المحاسبة المحافظة مقارنة بما يُفقد بسبب الحماية الضرورية للوحدة المقصودة؟

المراجع

Cynthia Dwork, Frank McSherry, Kobbi Nissim et al.. Calibrating Noise to Sensitivity in Private Data Analysis. Lecture Notes in Computer Science; Theory of Cryptography (2006). 10.1007/11681878_14.
Ilya Mironov. Rényi Differential Privacy. 2017 IEEE 30th Computer Security Foundations Symposium (CSF) (2017). 10.1109/csf.2017.11.
Borja Balle, Yu-Xiang Wang. Improving the Gaussian Mechanism for Differential Privacy: Analytical Calibration and Optimal Denoising. Proceedings of Machine Learning Research, vol. 80 (2018). Primary source.

الوصول إلى المصدر [1]. السجل الأولي، والملخص، ونصوص مختارة متاحة؛ وليس تدقيقاً شاملاً للنص الكامل أو المواد التكميلية.

الوصول إلى المصدر [2]. السجل الأولي، والملخص، ونصوص مختارة متاحة؛ وليس تدقيقاً شاملاً للنص الكامل أو المواد التكميلية.

الوصول إلى المصدر [3]. السجل الأولي، والملخص، ونصوص مختارة متاحة؛ وليس تدقيقاً شاملاً للنص الكامل أو المواد التكميلية.

جرى التحقق من الهويات الببليوغرافية بمقارنتها بسجلات Crossref والسجلات الأولية للناشر أو المؤلف أو المؤسسة. وتصف ملاحظات الوصول إلى المصادر والإصدارات أدناه نطاق العمل؛ وهذا ليس تدقيقاً شاملاً للنصوص الكاملة.

التأليف والمنشأ

كتبه وراجعه تقنياً مراجعة ذاتية Codex (ذكاء اصطناعي). تحدد المراجع الباحثين الأصليين؛ وتُنسب الإنشاءات التحليلية وتصاميم التقييم المقترحة إلى هذا المقال.

الأغلفة رسوم مفاهيمية من ImageGen. والأشكال التقنية محسوبة من نماذج معلنة أو أمثلة محدودة، مع توفير Python وCSV. وهي ليست قياسات لمنتجات منشورة فعلياً أو اختبارات معيارية للأداء أُعيد إنتاجها.

لا توجد لهذه المسودة المحلية سجلات لمراجعة أقران مستقلة أو قبول في مجلة. وتفحص الأمثلة القابلة للتنفيذ والمحدودة النطاق النماذج الصغيرة المذكورة؛ وليست تحققاً صورياً من الأنظمة المستشهد بها.

[cs-10-1] Cynthia Dwork, Frank McSherry, Kobbi Nissim et al.. Calibrating Noise to Sensitivity in Private Data Analysis. Lecture Notes in Computer Science; Theory of Cryptography (2006). 10.1007/11681878_14.

[cs-10-2] Ilya Mironov. Rényi Differential Privacy. 2017 IEEE 30th Computer Security Foundations Symposium (CSF) (2017). 10.1109/csf.2017.11.

[cs-10-3] Borja Balle, Yu-Xiang Wang. Improving the Gaussian Mechanism for Differential Privacy: Analytical Calibration and Optimal Denoising. Proceedings of Machine Learning Research, vol. 80 (2018). Primary source.