Michael Oluwole, Ruiyao Liu, Aleksander Stevens, Chenxi Qiu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27615 · open-access PDF
Lineare Programmierung (LP) Mechanismen für metrische Differential-Privatsphäre (mDP) ermöglichen fein gesäumte, Aufgabenbewusste Utility-Steuerung, aber sie sind berechnend teuer und werden in verteilten Einstellungen privatsphäre-brüchig: das Hochladen benutzerspezifischer LP-Koeffizient-Matrixen (z.B. Entfernungs- und Verlustblöcke) auf einen zentralen Lösungsanbieter kann selbst sensible Informationen entgehen. Wir präsentieren DISTA-LP, ein Datenschutz-bewahrendes verteiltes mDP-Optimierungs-Framework, das Rohkoeffizient-Uploads durch kompakte Surrogate-Parameter-Matrizen ersetzt und nur kalibrierte, gestörte
Machine translation (Meta M2M100); the English original follows.
Linear-programming (LP) mechanisms for metric differential privacy (mDP) enable fine-grained, task-aware utility control, but they are computationally expensive and become privacy-fragile in distributed settings: uploading user-specific LP coefficient matrices (e.g., distance and loss blocks) to a central solver can itself leak sensitive information. We present DISTA-LP, a privacy-preserving distributed mDP optimization framework that replaces raw coefficient uploads with compact surrogate parameterizations and releases only calibrated, perturbed parameter vectors, thereby reducing both upload
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27615, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange