💻 computer science

A Unified Framework for Adversary-Aware Differential Privacy Bounds

यह शोध पत्र एक एकीकृत ढांचे (unified framework) को प्रस्तुत करता है जो जटिल, बहु-लक्ष्य वाले प्रतिकूल हमलों—जिसमें सदस्यता (membership), विशेषता (attribute), और डेटा पुनर्निर्माण (data reconstruction) शामिल हैं—का मूल्यांकन करने के लिए मौजूदा विभेदक गोपनीयता (differential privacy) सीमाओं का सामान्यीकरण करता है, जो केवल गोपनीयता मापदंडों और हमलावर की पूर्व सफलता दर के आधार पर उच्च-संभाव्यता गारंटी प्राप्त करता है।

मूल लेखक: Marika Swanberg, Meenatchi Sundaram Muthu Selva Annamalai, Jamie Hayes, Borja Balle, Adam Smith

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marika Swanberg, Meenatchi Sundaram Muthu Selva Annamalai, Jamie Hayes, Borja Balle, Adam Smith

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त रसोई में एक गुप्त रेसिपी (नुस्खा) को बचाने की कोशिश कर रहे हैं। डिफरेंशियल प्राइवेसी (DP) एक नियम की तरह है जो कहता है, "चाहे कुछ भी हो जाए, जासूस यह नहीं जान पाना चाहिए कि आज के सूप में आपकी विशिष्ट रेसिपी का उपयोग किया गया था या नहीं।"

लंबे समय तक, सुरक्षा विशेषज्ञों के पास इसके लिए एक बहुत ही सख्त, एक ही आकार का नियम था: "यदि जासूस यह अनुमान लगाने की कोशिश करता है कि आपकी रेसिपी सूप में थी या नहीं, तो वे केवल 73% बार सही हो सकते हैं।" यह "सबसे खराब स्थिति" (worst-case scenario) वाला परिदृश्य है। यह ऐसा है जैसे कहना, "भले ही जासूस के पास एक perfect नक्शा और जीनियस दिमाग हो, फिर भी वे इससे बेहतर नहीं कर सकते।"

समस्या:
इस शोध पत्र के लेखक तर्क देते हैं कि यह "सबसे खराब स्थिति" वाला नियम एक हथौड़े से अखरोट तोड़ने जैसा है। यह बहुत ही अनगढ़ है।

यह वास्तविकता को अनदेखा करता है: वास्तविक दुनिया में, जासूस हमेशा जीनियस या परफेक्ट मैप वाले नहीं होते। कभी-कभी उनके पास केवल एक पूर्वाग्रह होता है (जैसे यह जानना कि आपको तीखा खाना पसंद है)। कभी-कभी वे एक साथ कई रेसिपी चुराने की कोशिश करते हैं।
यह भ्रमित करने वाला है: यदि कोई शेफ एक गोपनीयता स्तर (जिसे "एप्सिलॉन" कहा जाता है) सेट करता है जो सबसे खराब स्थिति वाले जासूस के खिलाफ "सुरक्षित" दिखता है, तो वह सामान्य समझ (जैसे पासवर्ड "123456" का अनुमान लगाना) के आधार पर अनुमान लगाने वाले जासूस के खिलाफ बहुत कमजोर हो सकता है।

समाधान: एक एकीकृत ढांचा (A Unified Framework)
यह शोध पत्र एक नया "कैलकुलेटर" या ढांचा पेश करता है जो एक स्मार्ट अनुवादक के रूप में कार्य करता है। केवल एक डरावने नंबर को देने के बजाय, यह गोपनीयता सेटिंग्स को इस बात में अनुवादित करता है कि एक जासूस वास्तव में कितनी जानकारी प्राप्त कर सकता है, जो उनकी विशिष्ट स्थिति पर आधारित है।

यहाँ बताया गया है कि इस शोध पत्र का ढांचा कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "पूर्व ज्ञान" (जासूस का पूर्वाग्रह/Hunch)

कल्पना कीजिए कि एक जासूस पासवर्ड का अनुमान लगाने की कोशिश कर रहा है।

पुराना तरीका: पुराने नियम मानते थे कि जासूस अरबों संभावनाओं वाली एक सूची से एक रैंडम पासवर्ड का अनुमान लगा रहा है।
नया तरीका: यह शोध पत्र कहता है, "रुको, क्या होगा अगर जासूस जानता है कि 90% लोग '123456' का उपयोग करते हैं?"
यह ढांचा इस "पूर्वाग्रह" (जिसे प्रायर/prior कहा जाता है) को ध्यान में रखता है। यदि डेटा अनुमान लगाने योग्य है (जैसे सामान्य पासवर्ड), तो ढांचा स्वीकार करता है कि जोखिम अधिक है। यदि डेटा रैंडम है (जैसे वास्तव में रैंडम 10-अंकों का कोड), तो जोखिम कम है। यह केवल गोपनीयता सेटिंग को नहीं देखता; यह लक्ष्य को भी देखता है।

2. "ग्रुप अटैक" (कई रहस्य चुराना)

कल्पना कीजिए कि एक चोर घर की चाबियाँ चुराने की कोशिश कर रहा है।

पुराना तरीका: पिछले नियम मुख्य रूप से इस बात पर केंद्रित थे कि क्या चोर एक विशिष्ट चाबी चुरा सकता है।
नया तरीका: यह ढांचा पूछता है, "क्या होगा अगर चोर एक साथ घर की सभी चाबियाँ चुराने की कोशिश करता है?"
यह उस हमले के जोखिम की गणना करता है जो एक साथ कई लोगों को निशाना बनाता है। यह एक लॉक को एक लॉक खोलने से रोकने की जांच करने जैसा है, बनाम एक मास्टर की-रिंग पर लगे चाबियों की पूरी पंक्ति को खोलने से रोकने की जांच करना।

3. "फजी मैच" (करीब-करीब भी काफी है)

कल्पना कीजिए कि एक जासूस एक धुंधली छवि से फोटो को फिर से बनाने की कोशिश कर रहा है।

पुराना तरीका: जासूस तभी जीतता है जब उसे फोटो 100% सटीक मिले।
नया तरीका: यह ढांचा कहता है, "क्या होगा अगर जासूस 90% पिक्सेल सही प्राप्त कर लेता है? क्या वह एक जीत है?"
यह "अनुमानित" सफलता की अनुमति देता है। यदि एक जासूस किसी व्यक्ति का मेडिकल इतिहास 90% सटीकता के साथ पुनर्गठित कर सकता है, तो यह एक लीक है, भले ही यह पूर्ण न हो।

उन्होंने इसका परीक्षण कैसे किया (प्रयोग)

अपने कैलकुलेटर को सिद्ध करने के लिए, लेखकों ने दो विशिष्ट परीक्षण चलाए:

परीक्षण 1: लैंग्वेज मॉडल (चैटबॉट)
उन्होंने निजी डेटा (जैसे पासवर्ड और नाम) पर गोपनीयता नियमों का उपयोग करके एक चैटबॉट को प्रशिक्षित किया। फिर, उन्होंने रहस्यों को "निकालने" (extract) की कोशिश की।
परिणाम: उन्होंने पाया कि सामान्य पासवर्ड (जैसे "123456") के लिए, गोपनीयता सुरक्षा पुराने नियमों द्वारा सुझाए गए स्तर से बहुत कमजोर थी। यह "पूर्वाग्रह" कि ये पासवर्ड आम हैं, उन्हें चुराना आसान बना देता है, भले ही गोपनीयता सेटिंग्स चालू हों। रैंडम पासवर्ड के लिए, सुरक्षा मजबूत थी। ढांचे ने इस अंतर की सटीक भविष्यवाणी की।
परीक्षण 2: टेबुलर डेटा (स्प्रेडशीट)
उन्होंने शोर-शराबे वाले (noisy), गोपनीयता-संरक्षित संस्करण से लोगों के डेटा (जैसे आयु, नौकरी और शहर) की एक स्प्रेडशीट को पुनर्गठित करने की कोशिश की।
परिणाम: उन्होंने दिखाया कि उनका ढांचा यह भविष्यवाणी कर सकता है कि एक जासूस कितने कॉलम का डेटा सफलतापूर्वक अनुमान लगा सकता है, भले ही जासूस एक समय में केवल कुछ विशेषताओं का ही अनुमान लगा रहा हो।

मुख्य निष्कर्ष

यह शोध पत्र यह नहीं कहता कि "गोपनीयता टूट गई है।" इसके बजाय, यह कहता है: "हमें गोपनीयता मापने के लिए बेहतर उपकरणों की आवश्यकता है।"

इसे मौसम के पूर्वानुमान की तरह समझें। पुराना तरीका कहता था, "बारिश की 50% संभावना है," जो कि अस्पष्ट है। यह नया ढांचा कहता है, "यदि आप पतला जैकेट पहने हैं, तो आप भीग जाएंगे। यदि आपके पास छाता है, तो आप सूखे रहेंगे।" यह उन लोगों (व्यवसायी/practitioners) को यह समझने में मदद करता है कि वे विशिष्ट डेटा के आधार पर कितना जोखिम उठा रहे हैं, बजाय इसके कि वे एक सामान्य, सबसे खराब स्थिति की चेतावनी पर निर्भर रहें।

संक्षेप में: यह शोध पत्र हमें अनुमान लगाने के बजाय यह गणना करने का एक तरीका देता है कि हमारा डेटा वास्तव में कितना सुरक्षित है, यह ध्यान में रखते हुए कि कुछ रहस्य दूसरों की तुलना में अनुमान लगाने में आसान होते हैं, और जासूस एक साथ कई रहस्य चुराने की कोशिश कर सकते हैं।

तकनीकी सारांश: प्रतिकूलता-जागरूक विभेदक गोपनीयता (Adversary-Aware Differential Privacy) सीमाओं के लिए एक एकीकृत ढांचा

समस्या विवरण

विभेदक गोपनीयता (Differential Privacy - DP) सबसे खराब स्थिति वाले सदस्यता अनुमान (membership inference - MI) हमलों के विरुद्ध कठोर गारंटी प्रदान करती है, जो इस बात की सीमा तय करती है कि एक हमलावर किसी एकल उपयोगकर्ता के रिकॉर्ड में अंतर करने की संभावना को कितनी सीमा तक सीमित कर सकता है। हालांकि, जटिल प्रतिकूल मॉडलों और DP सुरक्षाओं के बीच सटीक संतुलन अभी भी पूरी तरह से समझ में नहीं आया है। अभ्यासकर्ता अक्सर एक दुविधा का सामना करते हैं: मानक DP सीमाएं (जैसे, $\epsilon=1$ ) सबसे खराब स्थिति वाले MI (सफलता की संभावना $\approx 0.73$ ) के विरुद्ध कमजोर सुरक्षा प्रदान करती हुई प्रतीत हो सकती हैं, फिर भी ये सीमाएं संदर्भ-विशिष्ट जोखिमों के बारे में बहुत कम जानकारी देती हैं, जैसे कि कितने उपयोगकर्ताओं के डेटा को आंशिक रूप से पुनर्गठित किया जा सकता है या गैर-समान रहस्यों (जैसे, सामान्य पासवर्ड या PII) का रिसाव।

जोखिम का आकलन करने के वर्तमान दृष्टिकोण काफी हद तक अनुभवजन्य हमलों (empirical attacks) पर निर्भर करते हैं। इन विधियों में महत्वपूर्ण सीमाएं हैं: वे गोपनीयता रिसाव के केवल निचले स्तर (lower bounds) स्थापित करते हैं, वे विशिष्ट तंत्रों या डेटा वितरणों के लिए अत्यधिक ट्यून किए गए होते हैं, और वे सामान्यीकरण करने में विफल रहते हैं। इसके अलावा, कई प्रासंगिक हमले सेटिंग्स—जैसे कि एक साथ कई व्यक्तियों को लक्षित करना या अनुमानित पुनर्गठन के लिए गैर-समान पूर्व ज्ञान (non-uniform priors) का लाभ उठाना—अभी तक सैद्धांतिक रूप से वर्णित नहीं किए गए हैं। विविध हमले लक्ष्यों (MI, एट्रिब्यूट इन्फरेंस, रिकंस्ट्रक्शन) और सेटिंग्स (एकल बनाम बहु-लक्ष्य, समान बनाम गैर-समान पूर्व ज्ञान) में कार्रवाई योग्य जोखिम मूल्यांकन में अनुवाद करने के लिए एक एकीकृत ढांचे का अभाव है।

कार्यप्रणाली (Methodology)

लेखक एक एकीकृत ढांचा प्रस्तावित करते हैं जो सदस्यता अनुमान (MI), एट्रिब्यूट इन्फरेंस (AI), और डेटा रिकंस्ट्रक्शन हमलों के मौजूदा स्वरूपों का सामान्यीकरण करता है। इस कार्यप्रणाली का मूल एक जेनेरिक अटैक गेम (एल्गोरिदम 1) और तंत्र के गोपनीयता मापदंडों और हमलावर की आधारभूत सफलता दर से प्राप्त उच्च-संभावना वाली ऊपरी सीमाएं (upper bounds) हैं।

जेनेरिक अटैक गेम

यह ढांचा एक हमले को मॉडल करता है जहाँ:

लक्ष्य (Targets): $n$ लक्ष्य $X$ एक उत्पाद वितरण $D = D_1 \otimes \dots \otimes D_n$ से नमूने के रूप में लिए जाते हैं। $D_i$ , लक्ष्य $i$ के लिए हमलावर के पूर्व ज्ञान (prior knowledge) का प्रतिनिधित्व करता है।
तंत्र (Mechanism): एक रैंडमाइज्ड मैकेनिज्म $M$ एक आउटपुट $a$ उत्पन्न करता है।
हमलावर (Adversary): हमलावर $A$ , $a$ , $D$ , और $M$ का उपयोग करके $k$ हमले के प्रयास $z$ उत्पन्न करता है।
सफलता का मीट्रिक (Success Metric): एक विखंडनीय मीट्रिक $L$ सफलतापूर्वक "हमले गए" लक्ष्यों की संख्या को मापता है। $L$ विखंडनीय है यदि $L(x, z) = \sum \ell_i(x_i, z_i)$ है, जो कि मनमाने सफलता मानदंडों (सटीक मिलान, अनुमानित दूरी, आदि) की अनुमति देता है।

सैद्धांतिक सीमाएं (Theoretical Bounds)

यह ढांचा इस संभावना के लिए सीमाएं निकालता है कि हमले की सफलता $L(X, A(a))$ एक थ्रेशोल्ड $v$ से अधिक हो जाए।

शुद्ध DP ( $\epsilon$ -DP): एक तंत्र जो $(\epsilon, 0)$ -DP को संतुष्ट करता है, उसके लिए प्रत्येक लक्ष्य के लिए पोस्टीरियर सफलता की संभावना, पूर्व सफलता की संभावना और $\epsilon$ के एक फलन द्वारा सीमित होती है। विशेष रूप से, एक निश्चित मैकेनिज्म आउटपुट $a$ और हमले के प्रयास $z$ के लिए, सफल हमलों की संख्या स्वतंत्र बर्नौली वेरिएबल्स $S_i$ के योग द्वारा स्टोकेस्टिक रूप से डोमिनेटेड है। प्रत्येक $S_i$ के लिए सफलता की संभावना $\beta_i$ है:
$\beta_i(z, \epsilon) = \frac{e^\epsilon}{e^\epsilon - 1 + \frac{1}{\Pr_{X \sim D_i}[\ell_i(X, z)=1]}}$
यह सूत्रीकरण इस अंतर्ज्ञान को दर्शाता है कि यदि कोई हमला पूर्व ज्ञान के आधार पर आसान है (उच्च पूर्व संभावना), तो DP तंत्र कठिन हमले की तुलना में कम सापेक्ष सुरक्षा जोड़ता है।
अनुमानित DP ( $f$ -DP और $(\epsilon, \delta)$ -DP): यह ढांचा एक एडिटिव टर्म $n \cdot \delta_f(\epsilon)$ (या $(\epsilon, \delta)$ -DP के लिए $n \cdot \delta$ ) को जोड़कर अनुमानित DP तक विस्तारित होता है। यह अनुमानित DP तंत्रों में अनबाउंडेड प्राइवेसी लॉस की क्षमता को ध्यान में रखता है। लेखक सीमाओं के ऐसे संस्करण प्रदान करते हैं जो मैकेनिज्म आउटपुट पर निर्भर करते हैं (अनुमान के लिए कई रन की आवश्यकता होती है) और ऐसे संस्करण जो विशिष्ट आउटपुट पर निर्भरता से बचने के लिए 'वर्स्ट-केस प्रायर' का उपयोग करते हैं।

विशिष्ट हमलों का एन्कोडिंग

यह ढांचा पूर्व वितरण $D_i$ और सफलता मीट्रिक $\ell_i$ को समायोजित करके विभिन्न हमले परिदृश्यों को एनकोड करता है:

सदस्यता अनुमान (MI): $D_i$ सदस्यता बिट्स पर बरनौली वितरण है।
एट्रिब्यूट इन्फरेंस (AI): $D_i$ ज्ञात गुणों (attributes) पर आधारित है।
पुनर्गठन (Reconstruction): $D_i$ डेटा-जनरेटिंग वितरण का प्रतिनिधित्व करता है। मीट्रिक $\ell_i$ एक सटीक मिलान या थ्रेशोल्ड की गई दूरी (जैसे, $L_2$ या $L_1$ त्रुटि) हो सकती है।
गैर-समान पूर्व ज्ञान (Non-Uniform Priors): यह ढांचा मनमाने, गैर-समान पूर्व ज्ञान को संभालता है, जिससे वास्तविक परिदृश्यों (जैसे, कुछ पासवर्ड या PII का अधिक सामान्य होना) को मॉडल करना संभव होता है।

मुख्य योगदान

मौजूदा सीमाओं का एकीकरण: यह ढांचा MI, AI और रिकंस्ट्रक्शन के अलग-थलग पड़े प्रतिमानों को गणितीय रूप से जोड़ता है। यह पिछले कार्यों (जैसे, Balle et al., Hayes et al., Steinke et al.) का सख्ती से सामान्यीकरण करता है और गैर-समान प्रायर के लिए अधिक सटीक सीमाएं प्रदान करता है।
नवीन हमले सेटिंग्स: यह एक ही सुसंगत सीमा के तहत एक साथ कई व्यक्तियों को लक्षित करने वाले हमलों का मूल्यांकन करने और जटिल मीट्रिक्स (अनुमानित पुनर्गठन) के माध्यम से सफलता को मापने वाला पहला ढांचा है।
प्रतिकूलता-जागरूकता (Adversary-Awareness): सीमाएं केवल गोपनीयता मापदंडों और हमलावर की आधारभूत सफलता दर (प्रायर) पर निर्भर करती हैं। यह अभ्यासकर्ताओं को हमले की कठिनाई और डेटा वितरण की प्रकृति के आधार पर जोखिम को मापने की अनुमति देता है, न कि केवल वर्स्ट-केस ह्यूरिस्टिक्स पर।
अनुभवजन्य सत्यापन (Empirical Validation): लेखक दो नवीन सेटिंग्स में ढांचे का सत्यापन करते हैं:
- LLMs से डेटा निष्कर्षण: DP-फाइनट्यून किए गए लैंग्वेज मॉडल्स से गैर-समान रहस्यों (पासवर्ड, PII) को निकालना।
- टेबुलर डेटा पुनर्गठन: मल्टी-एट्रिब्यूट इन्फरेंस (M-AI) का उपयोग करके शोर युक्त मार्जिनल्स से डेटा को पुनर्गठित करना।

परिणाम

शोध पत्र संख्यात्मक तुलना और अनुभवजन्य केस स्टडी प्रस्तुत करता है जो ढांचे की उपयोगिता को प्रदर्शित करते हैं:

सटीकता (Tightness): संख्यात्मक प्रयोगों (चित्र 1) में, प्रस्तावित सीमाएं गैर-समान प्रायर के लिए अत्याधुनिक सीमाओं (KGK+, MMC) की तुलना में काफी अधिक सटीक हैं और समान प्रायर के लिए MMC के करीब हैं।
गैर-समान प्रायर का प्रभाव: LLM डेटा निष्कर्षण प्रयोगों (चित्र 2) में, ढांचा प्रकट करता है कि गैर-समान प्रायर जोखिम को नाटकीय रूप से बढ़ा देते हैं। उदाहरण के लिए, $\epsilon=1$ पर, एक औसत पासवर्ड निकालने के लिए एडवांटेज बाउंड नगण्य है, लेकिन सबसे संभावित पासवर्ड के लिए यह 0.24 तक बढ़ जाता है। $\epsilon=10$ पर, सबसे संभावित PII और पासवर्ड कैनरीज का एडवांटेज बाउंड $\approx 1.0$ तक पहुँच जाता है, जबकि समान (uniform) कैनरीज नगण्य रहती हैं। यह सुझाव देता है कि स्वाभाविक रूप से उत्पन्न होने वाले रहस्यों की सुरक्षा के लिए समान कैनरीज की तुलना में काफी छोटे $\epsilon$ मानों की आवश्यकता हो सकती है।
सिद्धांत और व्यवहार के बीच अंतर: ठोस हमलों (चित्र 3) के साथ तुलना दर्शाती है कि जबकि समान वितरणों के लिए सैद्धांतिक सीमाएं सटीक हैं, गैर-समान प्रायर के लिए एक अंतर बना रहता है। इसके अलावा, वास्तविक मॉडल हमले अक्सर सैद्धांतिक बेयस-ऑप्टिमल बेसलाइन से काफी पीछे रह जाते हैं, जो ब्लैक-बॉक्स ऑडिटिंग तकनीकों की सीमाओं को उजागर करता है।
टेबुलर रिकंस्ट्रक्शन: शोर युक्त मार्जिनल्स से टेबुलर डेटा के पुनर्गठन में (परिशिष्ट E), ढांचा मल्टी-टारगेट हमलों को सफलतापूर्वक मॉडल करता है। परिणाम दिखाते हैं कि हालांकि सरल कार्यों के लिए बड़े प्रायर के साथ सैद्धांतिक सीमाएं शून्य हो सकती हैं, ढांचा सार्थक जनसंख्या-स्तरीय सीमाएं प्रदान करता है और जटिल सफलता मीट्रिक्स (अनुमानित पुनर्गठन) को समाहित करता है जिन्हें पिछला कार्य एक साथ कैप्चर नहीं कर सका।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह नए प्रतिकूल सेटिंग्स में DP एल्गोरिदम के जोखिम परिदृश्य की जांच के लिए एक ठोस सैद्धांतिक आधार प्रदान करता है। इसका प्राथमिक महत्व अभ्यासकर्ताओं को सक्षम बनाना है:

DP मापदंडों को संदर्भानुसार व्याख्या करने में: अमूर्त गोपनीयता मापदंडों को विशिष्ट तैनाती परिदृश्यों के लिए ठोस जोखिम मूल्यांकन में अनुवादित करना (जैसे, "एक दिए गए प्रायर वितरण के साथ PII की सुरक्षा के लिए $\epsilon$ कितना होना चाहिए?")।
गोपनीयता सुरक्षा को कैलिब्रेट करने में: "वर्स्ट-केस ह्यूरिस्टिक्स" (जैसे, $\epsilon \le 10$ का नियम) से आगे बढ़कर विशिष्ट, संदर्भ-निर्भर जोखिमों के विरुद्ध मापदंडों को कैलिब्रेट करना।
नवीन खतरों का मूल्यांकन करने में: उन हमलों का व्यवस्थित रूप से विश्लेषण करना जो पहले अनिर्धारित थे, जैसे कि एक साथ बहु-लक्ष्य हमले और वे जो गैर-समान डेटा वितरणों का लाभ उठाते हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि उनकी सीमाएं विखंडनीय सफलता मीट्रिक पर निर्भर करती हैं और स्वतंत्र प्रायर मानती हैं। वे स्वीकार करते हैं कि वर्तमान अनुभवजन्य हमले DP तंत्रों के लिए इष्टतम नहीं हो सकते हैं, जिससे सैद्धांतिक सीमाओं और देखे गए हमले की सफलता के बीच अंतर पैदा होता है। वे यह भी चेतावनी देते हैं कि हालांकि यह ढांचा वर्स्ट-केस गारंटियों की तुलना में कम अनुभवजन्य जोखिम दिखा सकता है, इसका उपयोग गोपनीयता सुरक्षा को कम करने के लिए एक व्यापक औचित्य के रूप में नहीं किया जाना चाहिए, क्योंकि सीमाएं सख्त संरचनात्मक धारणाओं पर निर्भर करती हैं जो सभी उपयोग के मामलों में लागू नहीं हो सकती हैं।