Quantum Probabilistic Local Differential Privacy: Structural Properties and Sample Complexity Bounds

Resumen Técnico: Privacidad Diferencial Local Probabilística Cuántica

Planteamiento del Problema
La Privacidad Diferencial (DP) ofrece un marco riguroso para cuantificar la filtración de privacidad en el análisis de datos clásicos. Con la llegada de la computación cuántica y el aprendizaje automático cuántico, extender estos conceptos al procesamiento de información cuántica se ha vuelto crítico. Si bien la Privacidad Diferencial Local Cuántica (QLDP) ha sido establecida, requiriendo que las garantías de privacidad se mantengan uniformemente para todos los pares de estados de entrada, esta representa una restricción estricta. Este artículo aborda la necesidad de un marco más flexible que permita que las garantías de privacidad fallen con una probabilidad pequeña y acotada, de forma análoga a la privacidad diferencial probabilística clásica. Los autores introducen la Privacidad Diferencial Local Probabilística Cuántica (QPrLDP) para estudiar las propiedades estructurales y los límites de complejidad de muestra de esta noción de privacidad relajada en el contexto de la prueba de hipótesis cuántica.

Metodología
El artículo emplea una combinación de teoría de la información cuántica, álgebra de operadores y técnicas de inferencia estadística.

1. Definición y Formalismo: Los autores definen QPrLDP mediante un evento de violación espectral. Un superoperador cuántico $\mathcal{A}$ es $(\epsilon, \delta)$-QPrLDP si para cualquier par de estados $\rho, \sigma$, la traza de la parte positiva del operador diferencia satisface $\text{tr}_{\mathcal{A}(\rho)}\{\mathcal{A}(\rho) - e^\epsilon \mathcal{A}(\sigma) > 0\} \le \delta$. Esto se interpreta como la probabilidad de aceptación de una prueba de Neyman–Pearson cuántica con un umbral de $e^\epsilon$.
2. Análisis Estructural: El estudio investiga el comportamiento de QPrLDP bajo la composición de producto tensorial y el post-procesamiento unitario. Utiliza contraejemplos para probar la convexidad y la clausura bajo canales cuánticos arbitrarios.
3. Caracterización de Ruido: Los autores analizan modelos de ruido específicos, particularmente el canal de depolarización ($D_p$) en escenarios globales y locales para derivar condiciones bajo las cuales satisfacen QPrLDP.
4. Límites de Información Teórica: El artículo conecta QPrLDP con la inferencia estadística derivando límites inferiores en los coeficientes de contracción privatizados probabilísticamente utilizando la divergencia de hockey-stick ($E_\gamma$).
5. Complejidad de Muestra: Aprovechando los coeficientes de contracción derivados y los límites existentes sobre la prueba de hipótesis cuántica (asimétrica y simétrica), los autores derivan límites superiores e inferiores en la complejidad de muestra requerida para distinguir estados cuánticos bajo las restricciones de QPrLDP.

Contribuciones Clave y Resultados

• Definición y Relaciones: El artículo introduce formalmente QPrLDP y aclara su relación con la QLDP estándar. Demuestran que si un canal es $(\epsilon, \delta)$-QPrLDP, también es $(\epsilon, \delta)$-QLDP. Inversamente, un canal que es $(\epsilon, \delta)$-QLDP es $(\epsilon', \delta')$-QPrLDP bajo transformaciones de parámetros específicas, pero ambas nociones no son generalmente equivalentes.
• Propiedades Estructurales:
  • Composición: El producto tensorial de dos canales QPrLDP resulta en un canal con $\epsilon$ aditivo y un $\delta$ acotado que depende de los autovalores máximos de los estados de salida.
  • Invarianza Unitaria: La QPrLDP se preserva bajo el post-procesamiento unitario.
  • No Convexidad: A diferencia de la DP estándar, el conjunto de canales QPrLDP no es convexo en general (específicamente cuando $\delta > 0$).
  • Post-procesamiento: El conjunto no es cerrado bajo el post-procesamiento por canales cuánticos arbitrarios, demostrado mediante un contraejemplo que involucra una mezcla de canales de identidad y de inversión de bits (bit-flip).
• Análisis de Ruido de Depolarización: Los autores derivan condiciones explícitas para cuando los canales de ruido de depolarización global y local satisfacen QPrLDP. Proporcionan límites en los parámetros de privacidad $(\epsilon, \delta)$ como funciones de la probabilidad de ruido $p$, la dimensión $d$ y la distancia de traza o la divergencia de hockey-stick entre los estados de entrada.
• Coeficientes de Contracción: Se deriva un límite inferior para el coeficiente de contracción privatizado probabilísticamente para la divergencia de hockey-stick. Específicamente, $\eta_{E_\gamma}^{\epsilon, \delta} \le (\gamma + 1)\delta - \gamma$ para $\gamma \in (e^{-\epsilon}, e^\epsilon)$.
• Límites de Complejidad de Muestra:
  • Prueba Simétrica: El artículo establece límites para la complejidad de muestra de la prueba de hipótesis simétrica de $m$ resultados bajo QPrLDP. Los límites dependen de las probabilidades a priori, la tolerancia de error $\alpha$ y la contracción de la distancia de traza o la fidelidad bajo el mecanismo de privacidad.
  • Prueba Asimétrica: Se derivan límites para la prueba de hipótesis binaria asimétrica, relacionando la complejidad de muestra con la divergencia de hockey-stick y los parámetros de privacidad.
  • QSPrI: Se introduce el concepto de Indistinguibilidad Probabilística Espectral Cuántica (QSPrI), y se proporcionan límites de complejidad de muestra para esta propiedad en términos de la entropía relativa de Rényi tipo sándwich.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una base sistemática para estudiar las garantías de privacidad probabilística en el procesamiento de la información cuántica. Al relajar el requisito de uniformidad estricta de la QLDP, la QPrLDP ofrece un marco matizado que puede ser más aplicable a algoritmos cuánticos prácticos donde la privacidad estricta podría ser demasiado costosa en términos de utilidad o complejidad de muestra.

Los resultados cierran la brecha entre las restricciones de privacidad y la inferencia estadística cuántica privada, cuantificando específicamente las consecuencias operativas (complejidad de muestra) de imponer la privacidad probabilística. El artículo afirma que estos hallazgos facilitan el desarrollo de superoperadores cuánticos que preservan la privacidad y protocolos de aprendizaje automático cuántico, al ofrecer herramientas teóricas para equilibrar la filtración de privacidad frente a la distinguibilidad de los estados cuánticos. El trabajo no propone nuevos montajes experimentales, sino que establece los límites teóricos y las propiedades de esta noción de privacidad.