Newest papers

DISTA-LP: Privacy-Preserving Distributed Linear Programming for Metric Differential Privacy

Michael Oluwole, Ruiyao Liu, Aleksander Stevens, Chenxi Qiu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27615 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các cơ chế lập trình tuyến tính (LP) cho sự riêng tư khác biệt mét (mDP) cho phép kiểm soát tiện ích có ý thức về nhiệm vụ, nhưng chúng đắt tiền về tính toán và trở nên dễ bị tổn thương trong các thiết lập phân tán: việc tải lên các ma trận LP tương ứng cụ thể cho người dùng (ví dụ, các khối tham số bị xáo trộn và mất) vào một bộ giải quyết trung tâm có thể tự làm rò rỉ thông tin nhạy cảm. Chúng tôi trình bày DISTA-LP, một khuôn khổ tối ưu hóa mDP phân tán bảo vệ quyền riêng tư thay thế cho việc tải lên coefficient thô với các định dạng tham số thay thế nhỏ gọn và chỉ phát hành các vector tham số bị xáo trộn, do đó giảm cả rò rỉ upload-stage và kích thước vấn đề. Về phía máy chủ, DISTA-L

Machine translation (Meta M2M100); the English original follows.

Abstract

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-stage leakage and problem dimensionality. On the server side, DISTA-LP reconstructs approximate coefficients and solves a scalable mastersubproblem formulation via Benders decomposition. To certify end-to-end privacy, we introduce a probabilistic mDP (PmDP) auditor that empirically quantifies the privacy loss induced by parameter release, allocates the required privacy budget prior to optimization, and composes it with the downstream mechanism to obtain an end-to-end mDP guarantee. Experiments on large realworld road-network datasets (Rome, New York City, and London) show that DISTA-LP achieves near-zero mDP violation rates, substantially reduces computation time compared to monolithic and hybrid baselines, and matches or improves utility, thereby demonstrating stronger upload privacy and significantly improved scalability.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Differential privacy, Computer science, Scalability, Upload, Probabilistic logic, Linear programming

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange